不论是数据分析还是机器学习，乃至于高大上的AI，数据源的获取是所有过程的入口。 数据源的存在形式多为数据库或者文件，如果把数据看做一种特殊格式的文件的话，即所有数据源都是文件。获得数据，就是读取文件的操作，文件有各种各样的格式即数据的组织形式，如何方便快捷地获取文件中的内容呢?

还是那句名言，life is short， just use python。

操作基础

在python 中，文件的操作分为面向目录和面向文件的，本质都是一样的。

面向目录的常见操作见下表：

面向文件的常见操作见下表：

在这些基本操作中，遍历目录并列出所有文件或者所需的目标文件是一种常见的操作。另外，需要注意的是打开文件时的模式，a，w，r，组合时的a+，w+，r+， 还有针对这六种模式在读取二进制文件时都要加上b。 在操作结束时，一定要显式关闭文件， 当然 通过with 语句的隐式关闭也是可以的。

对于作为数据内容源的文件而言， 可以简单的分为文本和非文本两类，就是内容本身是文字的和非文字的，对混合形式的文件一般可以采用分而治之的方式。对于数据分析而言，这里侧重于文件读取及数据的采集上。

文本文件读取

数据分析乃至文本分析都有涉及到文本文件的读取。文本文件也可以粗略的分为两类：纯内容文本和带格式约定的文本。纯内容文本就是相对纯粹的文本数据，例如新闻，博客文字内容，readme等等。带格式约定的文本是为了增强内容的功能性或者实现特定的语义，例如xml，html，json文件等。

纯内容文本文件

在读取纯内容文本的时候，就是一般的读文件基础操作，需要注意的是文本内容的字符集编码。判断文本文件属于哪个字符集，老码农还在用chardet，不知道现在有没有更先进的手段了。示例代码如下：

1. import chardet
2. f = open('/target_path/abel.txt',r)
3. my_data = f.read()
4. print chardet.detect(my_data)

chardet.detect 返回的是一个字典，包括编码类型和一个概率值。然后，就可以根据自己的需要进行编码转换了。

键值对相关的配置文件

在应用中经常有.ini文件来用于配置信息，在python 中可以利用ConfigParser来处理。ConfigParser 模块有RawConfigParser,ConfigParser 和SafeConfigParser 三种对象，一般采用ConfigParser即可。 一个应用的配置文件"myweb_config.ini"如下：

1. [myweb]
2. url = http://%(host)s:%(port)s/myweb
3. host = 192.168.1.100
4. port = 8888

那么，使用ConfigParser的示例代码如下：

1. import ConfigParser
2. mysql_config = ConfigParser.ConfigParser()
3. cf.read("myweb_config.ini")
4. print cf.get("portal", "url")

读取配置文件的一个常见使用情形是获取数据库的访问信息，以便从数据库中获取数据。

Json，XML和HTML文件

JSON是一种轻量级的数据交换格式。Json 文件采用完全独立于编程语言的文本格式来存储和表示数据。简洁和清晰的层次结构使得 JSON 成为理想的数据交换语言，是当前应用中主流的数据文件之一。 通过Python的json模块,可以将字符串形式的json数据转化为字典,也可以将Python中的字典数据转化为字符串形式的json数据。读取Json文件的示例代码如下：

1. import json
2. f = open("test.json", encoding='utf-8')
3. my_json = json.load(f)

然后就可以对my_json 以字典方式进行读取了，需要主要的是设置Json文件解码模式。

XML是一套定义语义标记的规则，将文档分成许多部分并对这些部分加以标识。同时，也是定义了用于定义其他与特定领域有关的、语义的、结构化的标记语言的句法语言。在python 中解析 XML 文件有三种方法：SAX，DOM，和ElementTree。ElementTree就像一个轻量级的DOM，示例代码如下：

1. import xml.etree.ElementTree as ET
2. my_xml_tree = ET.parse('/home/abel/face.xml')
3. print  my_xml_tree.getroot()

HTML 更是我们最常接触文件，基于web的数据爬虫，数据分析，数据挖掘等都会涉及到HTML文件的读写。在python中，用BS4 来对html 进行操作是非常方便的，同样也可以对xml 文件进行类似的操作，尤其是从网络中读取html，示例代码如下：

1. import requests
2. from bs4 import BeautifulSoup
3. res = requests.get("http://a.b.c/c?d=e")
4. soup = BeautifulSoup(res.text)
5. print soup.find_all('a')

CSV文件

CSV文件就是一种由逗号隔开的文本文件，使用非常广泛，尤其是excel 文件可以另存为CSV文件，使分析CSV文件中的数据更加方便。 在Python中可以之间使用csv模块进行操作即可，示例代码如下：

1. import csv
2. csv_reader = csv.reader(open('mydata.csv', encoding='utf-8'))
3. for each_line in csv_reader:
4. print each_line

常见的文本文件除了纯文本，键值对文件，json，xml，html，csv以外，就是大量的日志文件了，也可以选择的相关库或者自行分析读取， 进一步就可能进入到NLP的领域了。

媒体文件读取

媒体文件中的数据内容一般不是文本，是经过编码是数据，例如图片，音频，以及视频文件，为了简化可以暂不考虑其中的字幕情况。

图片文件

图片由各种各样的格式即数据内容的编解码方式，在python 中一般使用PIL 库对图片文件进行读取或者进一步的处理,示例代码如下：

1. from PIL import Image
2. im = Image.open('/home/abel/abc.jpg')
3. w, h = im.size
4. im.thumbnail((w/2, h/2))
5. im.save('/home/abel/abc_thumbnail.jpg', 'jpeg')

这个一个获取一个图片文件缩略图的小例子。 PIL是很强大的，提供了几乎所有的图像基本操作，例如改变图像大小，旋转图像，图像格式转换，色场空间转换，图像增强，直方图处理，插值和滤波等等。当然，其他的一些科学计算库也提供了很多图像处理的功能，例如大名鼎鼎的OpenCV， 具体可以参见《7行python代码的人脸识别》一文。

音频MP3

和图片文件一样， 音频文件的编解码格式同样很多。以MP3为例，只要了解了MP3文件的编码格式，就可以通过Python直接对MP3中的文件信息进行读取了。如果不重复造轮子的话，python 对音频的支持库也有很多。就MP3而言，可以使用python 中的eye3D(http://http://eyed3.nicfit.net) 库来读取MP3 中的相关信息， 示例代码如下：

1. import eyed3
2. f_mp3 = eyed3.load("/users/hecom/xiangwang.mp3")
3. print f_mp3.tag.title
4. print f_mp3.info.time_secs

技术演进日新月异，老码农曾经使用过的PyMedia 好像很久没人维护了,至于mp3 文件的播放，可以使用的库同样很多，例如mp3play,pyaudio以及pygame等。对于音频文件的进一步处理一般就要涉及的语音识别和语音合成了。

视频MP4

视频可以粗略地看成音频、图片乃至文字的混合体了。在Python 中读取并处理视频文件，一般可以使用MoviePy库(https://github.com/Zulko/moviepy)。MoviePy是可用于视频编辑的基本操作(像剪切，合并，插入标题)，视频合成(又名非线性编辑)，视频处理，或者创建高级的效果。它可以读取和写入的最普通的视频格式，包括GIF。 示例代码如下：

1. from moviepy.editor import *
2. video = VideoFileClip("mybaby.mp4").subclip(50,60)
3. txt_clip = ( TextClip("My Son 2002",fontsize=70,color='white')
4. .set_position('center')
5. .set_duration(10) )
6. result = CompositeVideoClip([video, txt_clip])
7. result.write_videofile("mybaby_edited.mp4",fps=25)

这个小例子是将一个MP4提取其中50秒至60秒之间的数据并增加上一点文本信息生成一个新的MP4文件。MoviePy中提供了很多视频处理的方法和示例，并且能与PIL，OpenCV，scikit Image，matplotlib等混合使用。另外，关于视频的摄取，python中也是有vediocapture库的。

带格式编码的文档读取

我们常见的另一类文档如PDF，word，excel等也是一种混合文档，里面一般以文本为主，主要在显示方式上作了规则限定，文档中包含了关于显示格式的大量信息。当然，这些文档还可以嵌入媒体文件。粗浅地解释一下，为了理解的方便，可以把这些带格式编码的文档看作浏览器和html文本的结合体，这样文件中的某些逻辑处理就可以想象成JavaScript的相关操作了。

PDF文件

PDF是一种非常好用的格式，它能够解析并显示与图片结合在一起的文本，并且具备一般性的不可编辑。在Python 中一般可以通过pdfminer(http://www.unixuser.org/~euske/python/pdfminer/) 或者pypdf 来读取pdf文件中的内容， 官网给出的示例代码如下：

1. from pdfminer.pdfparser import PDFParser
2. from pdfminer.pdfdocument import PDFDocument
3. from pdfminer.pdfpage import PDFPage
4. from pdfminer.pdfpage import PDFTextExtractionNotAllowed
5. from pdfminer.pdfinterp import PDFResourceManager
6. from pdfminer.pdfinterp import PDFPageInterpreter
7. from pdfminer.pdfdevice import PDFDevice
8. # Open a PDF file.
9. fp = open('mypdf.pdf', 'rb')
10. # Create a PDF parser object associated with the file object.
11. parser = PDFParser(fp)
12. # Create a PDF document object that stores the document structure.
13. # Supply the password for initialization.
14. document = PDFDocument(parser, password)
15. # Check if the document allows text extraction. If not, abort.
16. if not document.is_extractable:
17. raise PDFTextExtractionNotAllowed
18. # Create a PDF resource manager object that stores shared resources.
19. rsrcmgr = PDFResourceManager()
20. # Create a PDF device object.
21. device = PDFDevice(rsrcmgr)
22. # Create a PDF interpreter object.
23. interpreter = PDFPageInterpreter(rsrcmgr, device)
24. # Process each page contained in the document.
25. for page in PDFPage.create_pages(document):
26. interpreter.process_page(page)

除此之外，还可以采用命令行———— pdf2txt 直接调用pdf文件进行文本转换。

word 文件

word文档几乎是最常见的办公文件了，但是.docx文件的结构比较复杂，一般分为三层：

• Docment对象表示整个文档;
• Docment包含了Paragraph对象的列表，Paragraph对象用来表示文档中的段落;
• 一个Paragraph对象包含Run对象的列表。

在python中 一般可以采用python-docx 库对word文件进行读写，简化起见，如果只关心word文件中的文本信息的话，示例代码如下：

1. import docx
2. doc = docx.Document('／home/abel/test.docx')
3. paras = doc.paragraphs
4. text_in_doc =[]
5. for each_p in paras:
6. text_in_doc.append(each_p.text)

Python DocX目前是Python OpenXML的一部分，可以用它打开Word 2007及以后的文档，而用它保存的文档可以在Microsoft Office 2007/2010, Microsoft Mac Office 2008, Google Docs, OpenOffice以及Apple iWork 08中打开。

Excel 文件

python处理excel文件主要的第三方库有xlrd、xlwt、xluntils和pyExcelerator等，还有人在这之上封装了很多更方便实用的库。这里使用朴实的xlrd(https://github.com/python-excel/xlrd/)来读取excel文件，示例代码如下：

1. import xlrd
2. myworkbook = xlrd.open_workbook('test.xls') # 打开xls文件
3. table = myworkbook.sheet_by_name(u'Sheet1')
4. nrows = table.nrows
5. for i in range(nrows):
6. print table.row_values(i)[:10]

这个小例子读取了test.xls 文件，打印出来Sheet1中各行的前十列。xlrd 是有局限的，无法读取excel中的一些对象，如：

• 图表，图片，宏以及其他的嵌入对象
• VBA，超链接，数据验证
• 公式(结果除外)，条件的格式化，注释等等

好在，我们关注的是excel中的数据内容，以便进行数据分析，这些局限无伤大雅。

一句话小结

文件数据源的读取是数据分析的入口，使用Python可以方便快捷地读取各种文件格式中的内容，为进一步的数据分析或者数据清洗提供了简洁方式。

作者：老曹

来源：51CTO