如何Python代碼快速解析、整理上萬份數據文件

如何Python代碼快速解析、整理上萬份數據文件，很多新手對此不是很清楚，為了幫助大家解決這個難題，下面小編將為大家詳細講解，有這方面需求的人可以來學習下，希望你能有所收獲。

在這個世界上，人們每天都在用 Python 完成著不同的工作。而文件操作，則是大家最常需要解決的任務之一。使用 Python，你可以輕松為他人生成精美的報表，也可以用短短幾行代碼快速解析、整理上萬份數據文件。

當我們編寫與文件相關的代碼時，通常會關注這些事情：我的代碼是不是足夠快？我的代碼有沒有事半功倍的完成任務？ 在這篇文章中，我會與你分享與之相關的幾個編程建議。我會向你推薦一個被低估的 Python 標準庫模塊、演示一個讀取大文件的最佳方式、最后再分享我對函數設計的一點思考。

下面，讓我們進入第一個“模塊安利”時間吧。

注意：因為不同操作系統的文件系統大不相同，本文的主要編寫環境為 Mac OS/Linux 系統，其中一些代碼可能并不適用于 Windows 系統。

建議一：使用 pathlib 模塊

如果你需要在 Python 里進行文件處理，那么標準庫中的 os 和 os.path兄弟倆一定是你無法避開的兩個模塊。在這兩個模塊里，有著非常多與文件路徑處理、文件讀寫、文件狀態查看相關的工具函數。

讓我用一個例子來展示一下它們的使用場景。有一個目錄里裝了很多數據文件，但是它們的后綴名并不統一，既有 .txt，又有 .csv。我們需要把其中以 .txt 結尾的文件都修改為 .csv 后綴名。

我們可以寫出這樣一個函數：

在學習過程中有什么不懂得可以加我的
python學習交流扣扣qun，784758214
群里有不錯的學習視頻教程、開發工具與電子書籍。
與你分享python企業當下人才需求及怎么從零基礎學習好python，和學習什么內容
1.  `import os`
2.  `import os.path`
5.  `def unify_ext_with_os_path(path):`
6.  `"""統一目錄下的 .txt 文件名后綴為 .csv`
7.  `"""`
8.  `for filename in os.listdir(path):`
9.  `basename, ext = os.path.splitext(filename)`
10.  `if ext ==  '.txt':`
11.  `abs_filepath = os.path.join(path, filename)`
12.  `os.rename(abs_filepath, os.path.join(path, f'{basename}.csv'))`

讓我們看看，上面的代碼一共用到了哪些與文件處理相關的函數：

• os.listdir(path)：列出 path 目錄下的所有文件（含文件夾）

• os.path.splitext(filename)：切分文件名里面的基礎名稱和后綴部分

• os.path.join(path,filename)：組合需要操作的文件名為絕對路徑

• os.rename(...)：重命名某個文件

上面的函數雖然可以完成需求，但說句實話，即使在寫了很多年 Python 代碼后，我依然覺得：這些函數不光很難記，而且最終的成品代碼也不怎么討人喜歡。

使用 pathlib 模塊改寫代碼

為了讓文件處理變得更簡單，Python 在 3.4 版本引入了一個新的標準庫模塊：pathlib。它基于面向對象思想設計，封裝了非常多與文件操作相關的功能。如果使用它來改寫上面的代碼，結果會大不相同。

使用 pathlib 模塊后的代碼：

1.  `from pathlib import  Path`
3.  `def unify_ext_with_pathlib(path):`
4.  `for fpath in  Path(path).glob('*.txt'):`
5.  `fpath.rename(fpath.with_suffix('.csv'))`

和舊代碼相比，新函數只需要兩行代碼就完成了工作。而這兩行代碼主要做了這么幾件事：

1. 首先使用 Path(path) 將字符串路徑轉換為 Path 對象

2. 調用 .glob(‘*.txt’) 對路徑下所有內容進行模式匹配并以生成器方式返回，結果仍然是 Path 對象，所以我們可以接著做后面的操作

3. 使用 .with_suffix(‘.csv’) 直接獲取使用新后綴名的文件全路徑

4. 調用 .rename(target) 完成重命名

相比 os 和 os.path，引入 pathlib 模塊后的代碼明顯更精簡，也更有整體統一感。所有文件相關的操作都是一站式完成。

其他用法

除此之外，pathlib 模塊還提供了很多有趣的用法。比如使用 / 運算符來組合文件路徑：

1.  `# ???? 舊朋友：使用 os.path 模塊`
2.  `>>>  import os.path`
3.  `>>> os.path.join('/tmp',  'foo.txt')`
4.  `'/tmp/foo.txt'`
6.  `# ? 新潮流：使用 / 運算符`
7.  `>>>  from pathlib import  Path`
8.  `>>>  Path('/tmp')  /  'foo.txt'`
9.  `PosixPath('/tmp/foo.txt')`

或者使用 .read_text() 來快速讀取文件內容：

1.  `# 標準做法，使用 with open(...) 打開文件`
2.  `>>>  with open('foo.txt')  as file:`
3.  `...  print(file.read())`
4.  `...`
5.  `foo`
7.  `# 使用 pathlib 可以讓這件事情變得更簡單`
8.  `>>>  from pathlib import  Path`
9.  `>>>  print(Path('foo.txt').read_text())`
10.  `foo`

除了我在文章里介紹的這些，pathlib 模塊還提供了非常多有用的方法，強烈建議去 官方文檔 詳細了解一下。

如果上面這些都不足以讓你動心，那么我再多給你一個使用 pathlib 的理由：PEP-519 里定義了一個專門用于“文件路徑”的新對象協議，這意味著從該 PEP 生效后的 Python 3.6 版本起，pathlib 里的 Path 對象，可以和以前絕大多數只接受字符串路徑的標準庫函數兼容使用：

1.  `>>> p =  Path('/tmp')`
2.  `# 可以直接對 Path 類型對象 p 進行 join`
3.  `>>> os.path.join(p,  'foo.txt')`
4.  `'/tmp/foo.txt'`

所以，無需猶豫，趕緊把 pathlib 模塊用起來吧。

Hint: 如果你使用的是更早的 Python 版本，可以嘗試安裝 pathlib2 模塊 。

建議二：掌握如何流式讀取大文件

幾乎所有人都知道，在 Python 里讀取文件有一種“標準做法”：首先使用withopen(fine_name) 上下文管理器的方式獲得一個文件對象，然后使用 for 循環迭代它，逐行獲取文件里的內容。

下面是一個使用這種“標準做法”的簡單示例函數：

1.  `def count_nine(fname):`
2.  `"""計算文件里包含多少個數字 '9'`
3.  `"""`
4.  `count =  0`
5.  `with open(fname)  as file:`
6.  `for line in file:`
7.  `count += line.count('9')`
8.  `return count`

假如我們有一個文件 small_file.txt，那么使用這個函數可以輕松計算出 9 的數量。

1.  `# small_file.txt`
2.  `feiowe9322nasd9233rl`
3.  `aoeijfiowejf8322kaf9a`
5.  `# OUTPUT: 3`
6.  `print(count_nine('small_file.txt'))`

為什么這種文件讀取方式會成為標準？這是因為它有兩個好處：

1. with 上下文管理器會自動關閉打開的文件描述符

2. 在迭代文件對象時，內容是一行一行返回的，不會占用太多內存

標準做法的缺點

但這套標準做法并非沒有缺點。如果被讀取的文件里，根本就沒有任何換行符，那么上面的第二個好處就不成立了。當代碼執行到 forlineinfile時，line 將會變成一個非常巨大的字符串對象，消耗掉非常可觀的內存。

讓我們來做個試驗：有一個 5GB 大的文件 big_file.txt，它里面裝滿了和 small_file.txt 一樣的隨機字符串。只不過它存儲內容的方式稍有不同，所有的文本都被放在了同一行里：

1.  `# FILE: big_file.txt`
2.  `df2if283rkwefh...  <剩余  5GB  大小>  ...`

如果我們繼續使用前面的 count_nine 函數去統計這個大文件里 9 的個數。那么在我的筆記本上，這個過程會足足花掉 65 秒，并在執行過程中吃掉機器 2GB 內存 [注1]。

使用 read 方法分塊讀取

為了解決這個問題，我們需要暫時把這個“標準做法”放到一邊，使用更底層的 file.read() 方法。與直接循環迭代文件對象不同，每次調用 file.read(chunk_size) 會直接返回從當前位置往后讀取 chunk_size 大小的文件內容，不必等待任何換行符出現。

所以，如果使用 file.read() 方法，我們的函數可以改寫成這樣:

1.  `def count_nine_v2(fname):`
2.  `"""計算文件里包含多少個數字 '9'，每次讀取 8kb`
3.  `"""`
4.  `count =  0`
5.  `block_size =  1024  *  8`
6.  `with open(fname)  as fp:`
7.  `while  True:`
8.  `chunk = fp.read(block_size)`
9.  `# 當文件沒有更多內容時，read 調用將會返回空字符串 ''`
10.  `if  not chunk:`
11.  `break`
12.  `count += chunk.count('9')`
13.  `return count`

在新函數中，我們使用了一個 while 循環來讀取文件內容，每次最多讀取 8kb 大小，這樣可以避免之前需要拼接一個巨大字符串的過程，把內存占用降低非常多。

利用生成器解耦代碼

假如我們在討論的不是 Python，而是其他編程語言。那么可以說上面的代碼已經很好了。但是如果你認真分析一下 count_nine_v2 函數，你會發現在循環體內部，存在著兩個獨立的邏輯：數據生成（read 調用與 chunk 判斷） 與 數據消費。而這兩個獨立邏輯被耦合在了一起。

為了提升復用能力，我們可以定義一個新的 chunked_file_reader 生成器函數，由它來負責所有與“數據生成”相關的邏輯。這樣 count_nine_v3 里面的主循環就只需要負責計數即可。

1.  `def chunked_file_reader(fp, block_size=1024  *  8):`
2.  `"""生成器函數：分塊讀取文件內容`
3.  `"""`
4.  `while  True:`
5.  `chunk = fp.read(block_size)`
6.  `# 當文件沒有更多內容時，read 調用將會返回空字符串 ''`
7.  `if  not chunk:`
8.  `break`
9.  `yield chunk`
12.  `def count_nine_v3(fname):`
13.  `count =  0`
14.  `with open(fname)  as fp:`
15.  `for chunk in chunked_file_reader(fp):`
16.  `count += chunk.count('9')`
17.  `return count`

進行到這一步，代碼似乎已經沒有優化的空間了，但其實不然。iter(iterable) 是一個用來構造迭代器的內建函數，但它還有一個更少人知道的用法。當我們使用 iter(callable,sentinel) 的方式調用它時，會返回一個特殊的對象，迭代它將不斷產生可調用對象 callable 的調用結果，直到結果為 setinel 時，迭代終止。

1.  `def chunked_file_reader(file, block_size=1024  *  8):`
2.  `"""生成器函數：分塊讀取文件內容，使用 iter 函數`
3.  `"""`
4.  `# 首先使用 partial(fp.read, block_size) 構造一個新的無需參數的函數`
5.  `# 循環將不斷返回 fp.read(block_size) 調用結果，直到其為 '' 時終止`
6.  `for chunk in iter(partial(file.read, block_size),  ''):`
7.  `yield chunk`

最終，只需要兩行代碼，我們就完成了一個可復用的分塊文件讀取函數。那么，這個函數在性能方面的表現如何呢？

和一開始的 2GB 內存/耗時 65 秒 相比，使用生成器的版本只需要 7MB 內存 / 12 秒 就能完成計算。效率提升了接近 4 倍，內存占用更是不到原來的 1%。

建議三：設計接受文件對象的函數

統計完文件里的 “9” 之后，讓我們換一個需求。現在，我想要統計每個文件里出現了多少個英文元音字母（aeiou）。只要對之前的代碼稍作調整，很快就可以寫出新函數 count_vowels。

在學習過程中有什么不懂得可以加我的
python學習交流扣扣qun，784758214
群里有不錯的學習視頻教程、開發工具與電子書籍。
與你分享python企業當下人才需求及怎么從零基礎學習好python，和學習什么內容
1.  `def count_vowels(filename):`
2.  `"""統計某個文件中，包含元音字母(aeiou)的數量`
3.  `"""`
4.  `VOWELS_LETTERS =  {'a',  'e',  'i',  'o',  'u'}`
5.  `count =  0`
6.  `with open(filename,  'r')  as fp:`
7.  `for line in fp:`
8.  `for char in line:`
9.  `if char.lower()  in VOWELS_LETTERS:`
10.  `count +=  1`
11.  `return count`
14.  `# OUTPUT: 16`
15.  `print(count_vowels('small_file.txt'))`

和之前“統計 9”的函數相比，新函數變得稍微復雜了一些。為了保證程序的正確性，我需要為它寫一些單元測試。但當我準備寫測試時，卻發現這件事情非常麻煩，主要問題點如下：

1. 函數接收文件路徑作為參數，所以我們需要傳遞一個實際存在的文件

2. 為了準備測試用例，我要么提供幾個樣板文件，要么寫一些臨時文件

3. 而文件是否能被正常打開、讀取，也成了我們需要測試的邊界情況

如果，你發現你的函數難以編寫單元測試，那通常意味著你應該改進它的設計。上面的函數應該如何改進呢？答案是：讓函數依賴“文件對象”而不是文件路徑。

修改后的函數代碼如下：

1.  `def count_vowels_v2(fp):`
2.  `"""統計某個文件中，包含元音字母(aeiou)的數量`
3.  `"""`
4.  `VOWELS_LETTERS =  {'a',  'e',  'i',  'o',  'u'}`
5.  `count =  0`
6.  `for line in fp:`
7.  `for char in line:`
8.  `if char.lower()  in VOWELS_LETTERS:`
9.  `count +=  1`
10.  `return count`
13.  `# 修改函數后，打開文件的職責被移交給了上層函數調用者`
14.  `with open('small_file.txt')  as fp:`
15.  `print(count_vowels_v2(fp))`

這個改動帶來的主要變化，在于它提升了函數的適用面。因為 Python 是“鴨子類型”的，雖然函數需要接受文件對象，但其實我們可以把任何實現了文件協議的 “類文件對象（file-like object）” 傳入 count_vowels_v2 函數中。

而 Python 中有著非常多“類文件對象”。比如 io 模塊內的 StringIO 對象就是其中之一。它是一種基于內存的特殊對象，擁有和文件對象幾乎一致的接口設計。

利用 StringIO，我們可以非常方便的為函數編寫單元測試。

1.  `# 注意：以下測試函數需要使用 pytest 執行`
2.  `import pytest`
3.  `from io import  StringIO`
6.  `@pytest.mark.parametrize(`
7.  `"content,vowels_count",  [`
8.  `# 使用 pytest 提供的參數化測試工具，定義測試參數列表`
9.  `# (文件內容, 期待結果)`
10.  `('',  0),`
11.  `('Hello World!',  3),`
12.  `('HELLO WORLD!',  3),`
13.  `('你好，世界',  0),`
14.  `]`
15.  `)`
16.  `def test_count_vowels_v2(content, vowels_count):`
17.  `# 利用 StringIO 構造類文件對象 "file"`
18.  `file =  StringIO(content)`
19.  `assert count_vowels_v2(file)  == vowels_count`

使用 pytest 運行測試可以發現，函數可以通過所有的用例：

1.  `? pytest vowels_counter.py`
2.  `====== test session starts ======`
3.  `collected 4 items`
5.  `vowels_counter.py ...  [100%]`
7.  `======  4 passed in  0.06 seconds ======`

而讓編寫單元測試變得更簡單，并非修改函數依賴后的唯一好處。除了 StringIO 外，subprocess 模塊調用系統命令時用來存儲標準輸出的 PIPE 對象，也是一種“類文件對象”。這意味著我們可以直接把某個命令的輸出傳遞給 count_vowels_v2 函數來計算元音字母數：

1.  `import subprocess`
3.  `# 統計 /tmp 下面所有一級子文件名（目錄名）有多少元音字母`
4.  `p = subprocess.Popen(['ls',  '/tmp'], stdout=subprocess.PIPE, encoding='utf-8')`
6.  `# p.stdout 是一個流式類文件對象，可以直接傳入函數`
7.  `# OUTPUT: 42`
8.  `print(count_vowels_v2(p.stdout))`

正如之前所說，將函數參數修改為“文件對象”，最大的好處是提高了函數的 適用面 和 可組合性。通過依賴更為抽象的“類文件對象”而非文件路徑，給函數的使用方式開啟了更多可能，StringIO、PIPE 以及任何其他滿足協議的對象都可以成為函數的客戶。

不過，這樣的改造并非毫無缺點，它也會給調用方帶來一些不便。假如調用方就是想要使用文件路徑，那么就必須得自行處理文件的打開操作。

如何編寫兼容二者的函數

有沒有辦法即擁有“接受文件對象”的靈活性，又能讓傳遞文件路徑的調用方更方便？答案是：有，而且標準庫中就有這樣的例子。

打開標準庫里的 xml.etree.ElementTree 模塊，翻開里面的 ElementTree.parse 方法。你會發現這個方法即可以使用文件對象調用，也接受字符串的文件路徑。而它實現這一點的手法也非常簡單易懂：

1.  `def parse(self, source, parser=None):`
2.  `"""*source* is a file name or file object, *parser* is an optional parser`
3.  `"""`
4.  `close_source =  False`
5.  `# 通過判斷 source 是否有 "read" 屬性來判定它是不是“類文件對象”`
6.  `# 如果不是，那么調用 open 函數打開它并負擔起在函數末尾關閉它的責任`
7.  `if  not hasattr(source,  "read"):`
8.  `source = open(source,  "rb")`
9.  `close_source =  True`

使用這種基于“鴨子類型”的靈活檢測方式， count_vowels_v2 函數也同樣可以被改造得更方便，我在這里就不再重復啦。

如果你依然在編程的世界里迷茫，可以加入我們的Python學習扣qun：784758214，看看前輩們是如何學習的！交流經驗！自己是一名高級python開發工程師，從基礎的python腳本到web開發、爬蟲、django、數據挖掘等，零基礎到項目實戰的資料都有整理。送給每一位python的小伙伴！分享一些學習的方法和需要注意的小細節，點擊加入我們的 python學習者聚集地

文件操作我們在日常工作中經常需要接觸的領域，使用更方便的模塊、利用生成器節約內存以及編寫適用面更廣的函數，可以讓我們編寫出更高效的代碼。

讓我們最后再總結一下吧：

• 使用 pathlib 模塊可以簡化文件和目錄相關的操作，并讓代碼更直觀

• PEP-519 定義了表示“文件路徑”的標準協議，Path 對象實現了這個協議

• 通過定義生成器函數來分塊讀取大文件可以節約內存

• 使用 iter(callable,sentinel) 可以在一些特定場景簡化代碼

• 難以編寫測試的代碼，通常也是需要改進的代碼

• 讓函數依賴“類文件對象”可以提升函數的適用面和可組合性

看完上述內容是否對您有幫助呢？如果還想對相關知識有進一步的了解或閱讀更多相關文章，請關注億速云行業資訊頻道，感謝您對億速云的支持。