乐趣区

关于python:Python1024自动办公系列

jiezi

在 Python1024 的根底篇中，咱们曾经介绍过文件治理和文本文件的读写。

在门路解决方面，Python3.6 版本后，倡议采纳 pathlib，它采纳面向对象封装接口，应用起来比 os.path 更人性化。

在学习后续章节前，有必要先介绍几个根本的概念，不便后续的了解。

1、常见文件格式

文本文件其实是一种非凡的二进制文件，它约定了以字符格局的读取形式，字符合乎 ASCII 或 UNICODE 等编码标准。因为文本文件太通用、太非凡（字符模式）了，咱们把它独自列出看待。

其余二进制文件则随利用的不同，有各式各样的读写规定。比方：

  • PDF（Portable Document Format）文件，定义了一种独立于应用程序、硬件、操作系统的形式出现文档的文件格式。它外部蕴含了大量类型的子元素，通过索引的形式嵌入在不同的地位。只有合乎其标准的软件，能力读取，甚至批改 PDF 文件。PDF 文件格式规范由 Adobe 定义：参考官网。
  • 微软 2007 版本之后的 Office 文件，比方 docx、pptx、xlsx，属于 OpenXML 文件格式。它是由微软开发的基于 XML 和 ZIP 压缩技术的文件标准，并于 2008 年正式成为国际标准。能够用解压缩软件关上这类文件，就能看到其内部结构。目前除了微软 Office 软件，咱们也能够通过金山 WPS、OpenOffice 等软件关上其文档。
  • 图像文件的格局十分多，依据压缩算法不同，会设计不同的文件格式，比方：JPEG、TIFF、RAW、BMP、GIF、PNG。归根到底，图像代表的是色调数据，是整块的内容，而形容其数据结构的，是文件头部信息。
  • 音频文件，保留的是声音信号的数字化，和图像一样，文件不同次要源于压缩算法的不同。咱们常见的音频文件格局如：MP3、WAV、AAC、FLAC 等，声音信号被数字化后保留在数据块中，同时由文件头形容数据块。要害信息如采样率、比特率、声道数。采样率是工夫相干的概念，即每秒收集多少次声音样本信息。
  • 视频文件，保留的是图像和音频的合集，即视频文件能够拆分为视频和音频，其中视频是图像的合集，每秒钟有多少张图像，就是它的 FPS 帧率，帧率决定了视频的晦涩度。此外，每张图像的分辨率多大，决定了它的清晰度，比方咱们常说的 720P 代表 1280×720 的分辨率，1080P 就是 1920×1080 的分辨率，即代表用 1920×1080 个像素点来表白一张图片信息。所以，视频文件尤其大，依据压缩算法的不同，常见的文件格式如：MP4、MOV、FLV、WMV、WEBM 等。

当然，除了下面这些文件格式外，咱们还能够定义本人的格局，只有定义的格局，能被对应软件反对关上和写入即可。换句话说，如果你定义的文件格式，没人写出软件去反对，那就没方法利用。或者，你本人写了软件，但大部分人都不晓得，或不想用，那它也就丢失了利用价值。在软件行业向互联网演进过程中，淘汰了大量的软件，才诞生出目前绝对稳固的互联网基础设施。

Youtube 上有人做了一个视频，出现了 90 年代到 2020 年间最受欢迎浏览器的更替：原地址。

2、文本文件也有分类

文本文件，实质上是用于存储字符的文件。

所有那些以字符保留的文件格式，其实都是文本文件，只不过文本内容还有额定特定含意。

常见的比方：CSV、HTML、XML、JSON、JS、CSS，还有各种语言的代码。

2.1 CSV 文件

CSV 文件罕用于保留数据表格，比方：

 姓名, 电话, 地址
张三, 18900000001, 上海
李四, 13800000002, 广州

这就是一个典型的 CSV 文件，咱们能够用文本编辑器关上它，也能够用 Excel 等软件关上它。如果用 Excel 软件关上它，Excel 会把英文逗号作为分隔符号，提取单元格内容，咱们看到的就是一张表格。
Python 同样也反对这类文件的读写，通过 csv 模块：

import pathlib
import csv

path = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/001basic')
csv_path = path.joinpath('hello.csv')
with open(csv_path ,'r') as f:
    f_csv = csv.reader(f)
    headers = next(f_csv)
    for row in f_csv:
        for h, v in zip(headers, row):
            print(f'{h.strip()}: {v.strip()}')

这样就能读出 CSV 文件中的数据：

 姓名: 张三
电话: 18900000001
地址: 上海
姓名: 李四
电话: 13800000002
地址: 广州

2.2 XML 文件

XML（eXtensible Markup Language）是为了结构化存储和传输数据而生，是一种标记语言。

<?xml version="1.0" encoding="UTF-8"?>
<mail>
  <to>World</to>
  <from> 程一初 </from>
  <title>Hello World</title>
  <body>Welcome to Python1024!</body>
</mail>

咱们能够自定义标记，一种定义就是一种数据格式。在 Python 中，有三种解决数据的形式：

  • DOM（Document Object Model）：文档对象模型，是 W3C 组织举荐的规范编程接口。它把 XML 文件映射到内存中，以“树”的数据结构来操作数据。
  • SAX（simple API for XML）：事件驱动模型，尽管不是规范，但利用宽泛。它逐行扫描文档，边扫边解析，这样就不必一下子全装载到内存了。
  • ElementTree：性能介乎于 DOM 和 SAX 之间，应用门槛低。

以 ElementTree 为例：

import pathlib
import xml.etree.ElementTree as ET

path = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/001basic')
xml_path = path.joinpath('hello.xml')
tree = ET.parse(xml_path)
root = tree.getroot() # 根节点
print('root_tag:', root.tag) # 根标签：mail
for elem in root:
    print(f'{elem.tag}: {elem.text}')

此外，HTML 是 XML 的一个子集，即 HTML 是一种非凡的 XML，它定义了一整套标签标准，比方文字、超链接、表单等，依照这套标准来出现 HTML 的利用就是浏览器了。当然，浏览器除了反对 HTML，还须要反对 JS 脚本、CSS 款式文件等其余标准。

2.3 JSON 文件

相比 XML 文件格式，JSON 文件格式更精简。同样的信息能够用更少的字符示意：

{
    "mail": {
        "to": "World",
        "from": "程一初",
        "title": "Hello World",
        "body": "Welcome to Python1024!"
    }
}

少了对称标记以及 <> 符号，JSON 须要占用更少标记数据，所以它更常被用于互联网利用的数据传输。Python 也内置了解决模块 json：

import pathlib
import json

path = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/001basic')
json_path = path.joinpath('hello.json')
with open(json_path, 'r') as f:
    data = json.loads(f.read())
print(f'root_tag: {list(data.keys())[0]}')
for k, v in data['mail'].items():
    print(f'{k}: {v}')

2.4 代码文件

代码文件，比方 Python 代码文件，也是一种文本文件。所以，有一些动态代码检测工具，如 pylint、pep8、flake8 等，能够读取代码文件后查看编写品质。甚至，你能够编写程序主动生成代码，在自动化测试中用的比拟多。
代码文件的读取和其余文本文件一样，都能够用 open() 函数关上，然而要解析代码文件，就必须用“语法树”来解析，它也提供了对应的 ast 模块。比方咱们写一个简略的 Python 代码文件，蕴含一个正文块，以及一行代码：

'''Author: 程一初'''
print('hello world!')

而后用语法树解析它：

import pathlib
import ast

path = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/001basic')
py_path = path.joinpath('hello.py')
with open(py_path, 'r') as f:
    node = ast.parse(f.read())
# 获取文档正文
print(ast.get_docstring(node))

class MyVisitor(ast.NodeVisitor):
    # 定义一个遍历代码节点的类
    # 按需重定义 generic_visit 函数
    def generic_visit(self, node):
        print(node)
        super(MyVisitor, self).generic_visit(node)
v = MyVisitor()
v.visit(node)

会失去这样的后果：

Author: 程一初
<_ast.Module object at 0x118e4e890>
<_ast.Expr object at 0x118ce1b50>
<_ast.Str object at 0x118ce1f90>
<_ast.Expr object at 0x118ce1d90>
<_ast.Call object at 0x118ce1ad0>
<_ast.Name object at 0x118ce1b10>
<_ast.Load object at 0x103ed39d0>
<_ast.Str object at 0x118eb3ed0>

第一行为正文文档，剩下 8 行为 ast 外部对象，包含模块、表达式、字符串、函数名、调用等。这里只是举个例子，阐明代码文件也是一种非凡的文本文件。平时利用中，咱们简直不会这么去读写代码文件，而是间接用 Python 解释器来执行代码。

总结

理解什么是文件，就能明确每个文件都有本人的标准，想要解决某类文件，就得先找到符合规范的利用，或者模块。找到模块后，就能够通过结构化的代码来批量解决了。
常见的自动化解决无非就这几种：

  • 批量文件解决，比方某个文件夹下的所有文件对立重命名；
  • 依据提前设定的规定，主动分类解决文件，比方按文件后缀调用不同程序处理；
  • 组成流水线：把反复的工作提炼出规范，把每一步程序化后再组装起来。

Python 的魅力，就是能把所有反复的工作，按模块组织起来，造成流水线，一个人施展 N 集体的效率。

Python1024 主动办公系列，涵盖 Python 解决文本文件、PDF、Word、Excel、PPT、图像、音频、视频、邮件、企业办公机器人等职场办公实用场景。

退出移动版