[Python-7]Python文件处理

一、文件操作

一个完整的程序一般都包括数据的存储和读取；我们在前面写的程序数据都没有进行实际的存储，因此python解释器执行完数据就消失了。实际开发中，我们经常需要从外部存储介质（硬盘、光盘、U盘等）读取数据，或者将程序产生的数据存储到文件中，实现“持久化”保存。

很多软件系统是将数据存储的数据库中；数据库实际也是基于文件形式存储的。

1. 文本文件和二进制文件 

按文件中数据组织形式，我们把文件分为文本文件和二进制文件两大类。

1. 文本文件：文本文件存储的是普通“字符”文本，python默认为unicode字符集（两个字节表示一个字符，最多可以表示：65536个），可以使用记事本程序打开。

2. 二进制文件：二进制文件把数据内容用“字节”进行存储，无法用记事本打开。必须使用专用的软件解码。常见的有：MP4视频文件、MP3音频文件、JPG图片、doc文档等等。

2. 文件操作相关模块概述 

Python标准库中有如下文件操作相关的模块。

名称	说明
io模块	文件流的输入和输出操作 input output
os模块	基本操作系统功能，包括文件操作
glob模块	查找符合特定规则的文件路径名
fnmatch模块	使用模式来匹配文件路径名
fileinput模块	处理多个输入文件
filecmp模块	用于文件的比较
csv模块	用于csv文件处理
pickle和cPickle	用于序列化和反序列化
xml包	用于XML数据处理
bz2、gzip、zipfile、zlib、tarfile	用于处理压缩和解压缩文件（分别对应不同的算法）

 3. 创建文件对象open()

open()函数用于创建文件对象，基本语法格式如下：

open(文件名[,打开方式])

如果只是文件名，代表在当前目录下的文件。文件名可以录入全路径，比如：D:ab.txt

为了减少的输入，可以使用原始字符串：r“d:b.txt”示例如下：

f = open(r"d:b.txt","w")

打开方式有如下几种：

模式	描述
r	读 read模式
w	写 write模式。如果文件不存在则创建；如果文件存在，则重写新内容；
a	追加append模式。如果文件不存在则创建；如果文件存在，则在文件末尾追加内容
b	二进制binary模式（可与其他模式组合使用）
+	读、写模式（可与其他模式组合使用）

文本文件对象和二进制文件对象的创建：

1. 如果没有增加模式b，则默认创建的是文本文件对象，处理的基本单元是“字符”。
2. 如果是二进制模式b，则创建的是二进制文件对象，处理的基本单元是“字节”。

4. 文本文件的写入 

文本文件的写入一般就是三个步骤：

1. 创建文件对象
2. 写入数据
3. 关闭文件对象

我们首先创建一个小程序，体验一下文本文件的写入操作。

文本写入操作简单测试

f = open(r"a.txt","a")
s = "wohaocainwuwuwun"
f.write(s)
f.close()

 使用with上下文管理

with open(r"a.txt","a") as f:
    s = "wohaocainwuwuwun"
    f.write(s)

 二、常用编码介绍

在操作文本文件时，经常会操作中文，这时候就经常会碰到乱码问题。为了解决中文乱码问题，这里简单介绍一下各种编码之间的关系。

常用编码之间的关系如下：

1. ASCII

全称为American Standard Code for Information Interchange，美国信息交换标准代码，这是世界上最早最通用的单字节编码系统，主要用来显示现代英语及其他西欧语言。

ASCII码用7位表示，只能表示128个字符。只定义了27=128个字符，用7bit即可完全编码，而一字节8bit的容量是256，所以一字节ASCII的编码最高位总是0。

0～31表示控制字符如回车、退格、删除等；32～126表示打印字符即可以通过键盘输入并且能显示出来的字符； 其中48～57为0到9十个阿拉伯数字，65～90为26个大写英文字母，97～122号为26个小写英文字母，其余为一些标点符号、运算符号等，具体可以参考ASCII标准表（大家自行百度，不在此赘述）。

2. ISO8859-1

ISO-8859-1又称Latin-1，是一个8位单字节字符集，它把ASCII的最高位也利用起来，并兼容了ASCII，新增的空间是128，但它并没有完全用完。

在ASCII编码之上又增加了西欧语言、希腊语、泰语、阿拉伯语、希伯来语对应的文字符号，它是向下兼容ASCII编码

GB2312,GBK,GB18030

3. GB2312

GB2312全称为信息交换用汉字编码字符集，是中国于1980年发布，主要用于计算机系统中的汉字处理。GB2312主要收录了6763个汉字、682个符号。

GB2312覆盖了汉字的大部分使用率，但不能处理像古汉语等特殊的罕用字，所以后来出现了像GBK、GB18030这种编码。

GB2312完全兼容ISO8859-1

4. GBK

全称为Chinese Internal Code Specification，即汉字内码扩展规范，于1995年制定。它主要是扩展了GB2312，在它的基础上又加了更多的汉字，它一共收录了21003个汉字

5. GB18030

现在最新的内码字集于2000年发布，并于2001年强制执行，包含了中国大部分少数民族的语言字符，收录汉字数超过70000余个。

它主要采用单字节、双字节、四字节对字符编码，它是向下兼容GB2312和GBK的，虽然是我国的强制使用标准，但在实际生产中很少用到，用得最多的反而是GBK和GB2312

6. Unicode

Unicode编码设计成了固定两个字节，所有的字符都用16位(2^16=65536)表示，包括之前只占8位的英文字符等，所以会造成空间的浪费，UNICODE在很长的一段时间内都没有得到推广应用。

Unicode完全重新设计，不兼容iso8859-1，也不兼容任何其他编码。

7. UTF-8

对于英文字母，unicode也需要两个字节来表示。所以unicode不便于传输和存储。因此而产生了UTF编码，UTF-8全称是（8-bit Unicode Transformation Format）。

UTF编码兼容iso8859-1编码，同时也可以用来表示所有语言的字符，不过，UTF编码是不定长编码，每一个字符的长度从1-4个字节不等。其中，英文字母都是用一个字节表示，而汉字使用三个字节。

一般项目都会使用UTF-8。

8. 中文乱码问题

windows操作系统默认的编码是GBK，Linux操作系统默认的编码是UTF-8。当我们用open()时，调用的是操作系统打开的文件，默认的编码是GBK

中文字符文件，乱码出现测试

#测试写入中文
f = open(r"b.txt","w")
f.write("我是菜鸡n呜呜呜n")
f.close()

运行结果（Linux环境中不存在这个问题）:

我们在文件编辑区单击右键，选择FileEncoding，选择GBK即可：

再选择Reload，文件即显示正常。

通过指定文件编码解决中文乱码问题

#测试写入中文
f = open(r"b.txt","w",encoding="utf-8")
f.write("我好菜n呜呜呜n")
f.close()

 9. write()/writelines()写入数据

write(a)：把字符串a写入到文件中

writelines(b)：把字符串列表写入文件中，不添加换行符

添加字符串列表数据到文件中

f = open(r"d:bb.txt","w",encoding="utf-8")
s = ["什么n","时候n","干饭n"]
f.writelines(s)
f.close()