手记

几行Python代码快速解析、整理上万份数据文件

在这个世界上,人们每天都在用 Python 完成着不同的工作。而文件操作,则是大家最常需要解决的任务之一。使用 Python,你可以轻松为他人生成精美的报表,也可以用短短几行代码快速解析、整理上万份数据文件。

当我们编写与文件相关的代码时,通常会关注这些事情:我的代码是不是足够快?我的代码有没有事半功倍的完成任务? 在这篇文章中,我会与你分享与之相关的几个编程建议。我会向你推荐一个被低估的 Python 标准库模块、演示一个读取大文件的最佳方式、最后再分享我对函数设计的一点思考。

下面,让我们进入第一个“模块安利”时间吧。

**注意:**因为不同操作系统的文件系统大不相同,本文的主要编写环境为 Mac OS/Linux 系统,其中一些代码可能并不适用于 Windows 系统。

建议一:使用 pathlib 模块

如果你需要在 Python 里进行文件处理,那么标准库中的 osos.path兄弟俩一定是你无法避开的两个模块。在这两个模块里,有着非常多与文件路径处理、文件读写、文件状态查看相关的工具函数。

让我用一个例子来展示一下它们的使用场景。有一个目录里装了很多数据文件,但是它们的后缀名并不统一,既有 .txt,又有 .csv。我们需要把其中以 .txt 结尾的文件都修改为 .csv 后缀名。

我们可以写出这样一个函数:


1.  `import os`

2.  `import os.path`

5.  `def unify_ext_with_os_path(path):`

6.  `"""统一目录下的 .txt 文件名后缀为 .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'))`

让我们看看,上面的代码一共用到了哪些与文件处理相关的函数:

  • os.listdir(path):列出 path 目录下的所有文件(含文件夹)

  • os.path.splitext(filename):切分文件名里面的基础名称和后缀部分

  • os.path.join(path,filename):组合需要操作的文件名为绝对路径

  • os.rename(...):重命名某个文件

上面的函数虽然可以完成需求,但说句实话,即使在写了很多年 Python 代码后,我依然觉得:这些函数不光很难记,而且最终的成品代码也不怎么讨人喜欢。

使用 pathlib 模块改写代码

为了让文件处理变得更简单,Python 在 3.4 版本引入了一个新的标准库模块:pathlib。它基于面向对象思想设计,封装了非常多与文件操作相关的功能。如果使用它来改写上面的代码,结果会大不相同。

使用 pathlib 模块后的代码:



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'))`

和旧代码相比,新函数只需要两行代码就完成了工作。而这两行代码主要做了这么几件事:

  1. 首先使用 Path(path) 将字符串路径转换为 Path 对象

  2. 调用 .glob(’*.txt’) 对路径下所有内容进行模式匹配并以生成器方式返回,结果仍然是 Path 对象,所以我们可以接着做后面的操作

  3. 使用 .with_suffix(’.csv’) 直接获取使用新后缀名的文件全路径

  4. 调用 .rename(target) 完成重命名

相比 osos.path,引入 pathlib 模块后的代码明显更精简,也更有整体统一感。所有文件相关的操作都是一站式完成。

其他用法

除此之外,pathlib 模块还提供了很多有趣的用法。比如使用 / 运算符来组合文件路径:

1.  `# ? 旧朋友:使用 os.path 模块`

2.  `>>>  import os.path`

3.  `>>> os.path.join('/tmp',  'foo.txt')`

4.  `'/tmp/foo.txt'`

6.  `# ✨ 新潮流:使用 / 运算符`

7.  `>>>  from pathlib import  Path`

8.  `>>>  Path('/tmp')  /  'foo.txt'`

9.  `PosixPath('/tmp/foo.txt')`

或者使用 .read_text() 来快速读取文件内容:


1.  `# 标准做法,使用 with open(...) 打开文件`

2.  `>>>  with open('foo.txt')  as file:`

3.  `...  print(file.read())`

4.  `...`

5.  `foo`

7.  `# 使用 pathlib 可以让这件事情变得更简单`

8.  `>>>  from pathlib import  Path`

9.  `>>>  print(Path('foo.txt').read_text())`

10.  `foo`

除了我在文章里介绍的这些,pathlib 模块还提供了非常多有用的方法,强烈建议去 官方文档 详细了解一下。

如果上面这些都不足以让你动心,那么我再多给你一个使用 pathlib 的理由:PEP-519 里定义了一个专门用于“文件路径”的新对象协议,这意味着从该 PEP 生效后的 Python 3.6 版本起,pathlib 里的 Path 对象,可以和以前绝大多数只接受字符串路径的标准库函数兼容使用:


1.  `>>> p =  Path('/tmp')`

2.  `# 可以直接对 Path 类型对象 p 进行 join`

3.  `>>> os.path.join(p,  'foo.txt')`

4.  `'/tmp/foo.txt'`

所以,无需犹豫,赶紧把 pathlib 模块用起来吧。

Hint: 如果你使用的是更早的 Python 版本,可以尝试安装 pathlib2 模块 。

建议二:掌握如何流式读取大文件

几乎所有人都知道,在 Python 里读取文件有一种“标准做法”:首先使用withopen(fine_name) 上下文管理器的方式获得一个文件对象,然后使用 for 循环迭代它,逐行获取文件里的内容。

下面是一个使用这种“标准做法”的简单示例函数:


1.  `def count_nine(fname):`

2.  `"""计算文件里包含多少个数字 '9'`

3.  `"""`

4.  `count =  0`

5.  `with open(fname)  as file:`

6.  `for line in file:`

7.  `count += line.count('9')`

8.  `return count`

假如我们有一个文件 small_file.txt,那么使用这个函数可以轻松计算出 9 的数量。

1.  `# small_file.txt`

2.  `feiowe9322nasd9233rl`

3.  `aoeijfiowejf8322kaf9a`

5.  `# OUTPUT: 3`

6.  `print(count_nine('small_file.txt'))`

为什么这种文件读取方式会成为标准?这是因为它有两个好处:

  1. with 上下文管理器会自动关闭打开的文件描述符

  2. 在迭代文件对象时,内容是一行一行返回的,不会占用太多内存

标准做法的缺点

但这套标准做法并非没有缺点。如果被读取的文件里,根本就没有任何换行符,那么上面的第二个好处就不成立了。当代码执行到 forlineinfile时,line 将会变成一个非常巨大的字符串对象,消耗掉非常可观的内存。

让我们来做个试验:有一个 5GB 大的文件 big_file.txt,它里面装满了和 small_file.txt 一样的随机字符串。只不过它存储内容的方式稍有不同,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>  ...`

如果我们继续使用前面的 count_nine 函数去统计这个大文件里 9 的个数。那么在我的笔记本上,这个过程会足足花掉 65 秒,并在执行过程中吃掉机器 2GB 内存 [注1]。

使用 read 方法分块读取

为了解决这个问题,我们需要暂时把这个“标准做法”放到一边,使用更底层的 file.read() 方法。与直接循环迭代文件对象不同,每次调用 file.read(chunk_size) 会直接返回从当前位置往后读取 chunk_size 大小的文件内容,不必等待任何换行符出现。

所以,如果使用 file.read() 方法,我们的函数可以改写成这样:


1.  `def count_nine_v2(fname):`

2.  `"""计算文件里包含多少个数字 '9',每次读取 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.  `# 当文件没有更多内容时,read 调用将会返回空字符串 ''`

10.  `if  not chunk:`

11.  `break`

12.  `count += chunk.count('9')`

13.  `return count`

在新函数中,我们使用了一个 while 循环来读取文件内容,每次最多读取 8kb 大小,这样可以避免之前需要拼接一个巨大字符串的过程,把内存占用降低非常多。

利用生成器解耦代码

假如我们在讨论的不是 Python,而是其他编程语言。那么可以说上面的代码已经很好了。但是如果你认真分析一下 count_nine_v2 函数,你会发现在循环体内部,存在着两个独立的逻辑:数据生成(read 调用与 chunk 判断)数据消费。而这两个独立逻辑被耦合在了一起。

为了提升复用能力,我们可以定义一个新的 chunked_file_reader 生成器函数,由它来负责所有与“数据生成”相关的逻辑。这样 count_nine_v3 里面的主循环就只需要负责计数即可。


1.  `def chunked_file_reader(fp, block_size=1024  *  8):`

2.  `"""生成器函数:分块读取文件内容`

3.  `"""`

4.  `while  True:`

5.  `chunk = fp.read(block_size)`

6.  `# 当文件没有更多内容时,read 调用将会返回空字符串 ''`

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`

进行到这一步,代码似乎已经没有优化的空间了,但其实不然。iter(iterable) 是一个用来构造迭代器的内建函数,但它还有一个更少人知道的用法。当我们使用 iter(callable,sentinel) 的方式调用它时,会返回一个特殊的对象,迭代它将不断产生可调用对象 callable 的调用结果,直到结果为 setinel 时,迭代终止。

1.  `def chunked_file_reader(file, block_size=1024  *  8):`

2.  `"""生成器函数:分块读取文件内容,使用 iter 函数`

3.  `"""`

4.  `# 首先使用 partial(fp.read, block_size) 构造一个新的无需参数的函数`

5.  `# 循环将不断返回 fp.read(block_size) 调用结果,直到其为 '' 时终止`

6.  `for chunk in iter(partial(file.read, block_size),  ''):`

7.  `yield chunk`

最终,只需要两行代码,我们就完成了一个可复用的分块文件读取函数。那么,这个函数在性能方面的表现如何呢?

和一开始的 2GB 内存/耗时 65 秒 相比,使用生成器的版本只需要 7MB 内存 / 12 秒 就能完成计算。效率提升了接近 4 倍,内存占用更是不到原来的 1%。

建议三:设计接受文件对象的函数

统计完文件里的 “9” 之后,让我们换一个需求。现在,我想要统计每个文件里出现了多少个英文元音字母(aeiou)。只要对之前的代码稍作调整,很快就可以写出新函数 count_vowels


1.  `def count_vowels(filename):`

2.  `"""统计某个文件中,包含元音字母(aeiou)的数量`

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“统计 9”的函数相比,新函数变得稍微复杂了一些。为了保证程序的正确性,我需要为它写一些单元测试。但当我准备写测试时,却发现这件事情非常麻烦,主要问题点如下:

  1. 函数接收文件路径作为参数,所以我们需要传递一个实际存在的文件

  2. 为了准备测试用例,我要么提供几个样板文件,要么写一些临时文件

  3. 而文件是否能被正常打开、读取,也成了我们需要测试的边界情况

**如果,你发现你的函数难以编写单元测试,那通常意味着你应该改进它的设计。**上面的函数应该如何改进呢?答案是:让函数依赖“文件对象”而不是文件路径。

修改后的函数代码如下:


1.  `def count_vowels_v2(fp):`

2.  `"""统计某个文件中,包含元音字母(aeiou)的数量`

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.  `# 修改函数后,打开文件的职责被移交给了上层函数调用者`

14.  `with open('small_file.txt')  as fp:`

15.  `print(count_vowels_v2(fp))`

**这个改动带来的主要变化,在于它提升了函数的适用面。**因为 Python 是“鸭子类型”的,虽然函数需要接受文件对象,但其实我们可以把任何实现了文件协议的 “类文件对象(file-like object)” 传入 count_vowels_v2 函数中。

而 Python 中有着非常多“类文件对象”。比如 io 模块内的 StringIO 对象就是其中之一。它是一种基于内存的特殊对象,拥有和文件对象几乎一致的接口设计。

利用 StringIO,我们可以非常方便的为函数编写单元测试。


1.  `# 注意:以下测试函数需要使用 pytest 执行`

2.  `import pytest`

3.  `from io import  StringIO`

6.  `@pytest.mark.parametrize(`

7.  `"content,vowels_count",  [`

8.  `# 使用 pytest 提供的参数化测试工具,定义测试参数列表`

9.  `# (文件内容, 期待结果)`

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 构造类文件对象 "file"`

18.  `file =  StringIO(content)`

19.  `assert count_vowels_v2(file)  == vowels_count`

使用 pytest 运行测试可以发现,函数可以通过所有的用例:


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 ======`

而让编写单元测试变得更简单,并非修改函数依赖后的唯一好处。除了 StringIO 外,subprocess 模块调用系统命令时用来存储标准输出的 PIPE 对象,也是一种“类文件对象”。这意味着我们可以直接把某个命令的输出传递给 count_vowels_v2 函数来计算元音字母数:


1.  `import subprocess`

3.  `# 统计 /tmp 下面所有一级子文件名(目录名)有多少元音字母`

4.  `p = subprocess.Popen(['ls',  '/tmp'], stdout=subprocess.PIPE, encoding='utf-8')`

6.  `# p.stdout 是一个流式类文件对象,可以直接传入函数`

7.  `# OUTPUT: 42`

8.  `print(count_vowels_v2(p.stdout))`

正如之前所说,将函数参数修改为“文件对象”,最大的好处是提高了函数的 适用面可组合性。通过依赖更为抽象的“类文件对象”而非文件路径,给函数的使用方式开启了更多可能,StringIO、PIPE 以及任何其他满足协议的对象都可以成为函数的客户。

不过,这样的改造并非毫无缺点,它也会给调用方带来一些不便。假如调用方就是想要使用文件路径,那么就必须得自行处理文件的打开操作。

如何编写兼容二者的函数

有没有办法即拥有“接受文件对象”的灵活性,又能让传递文件路径的调用方更方便?答案是:有,而且标准库中就有这样的例子。

打开标准库里的 xml.etree.ElementTree 模块,翻开里面的 ElementTree.parse 方法。你会发现这个方法即可以使用文件对象调用,也接受字符串的文件路径。而它实现这一点的手法也非常简单易懂:


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.  `# 通过判断 source 是否有 "read" 属性来判定它是不是“类文件对象”`

6.  `# 如果不是,那么调用 open 函数打开它并负担起在函数末尾关闭它的责任`

7.  `if  not hasattr(source,  "read"):`

8.  `source = open(source,  "rb")`

9.  `close_source =  True`

使用这种基于“鸭子类型”的灵活检测方式, count_vowels_v2 函数也同样可以被改造得更方便,我在这里就不再重复啦。

总结

文件操作我们在日常工作中经常需要接触的领域,使用更方便的模块、利用生成器节约内存以及编写适用面更广的函数,可以让我们编写出更高效的代码。

让我们最后再总结一下吧:

  • 使用 pathlib 模块可以简化文件和目录相关的操作,并让代码更直观

  • PEP-519 定义了表示“文件路径”的标准协议,Path 对象实现了这个协议

  • 通过定义生成器函数来分块读取大文件可以节约内存

  • 使用 iter(callable,sentinel) 可以在一些特定场景简化代码

  • 难以编写测试的代码,通常也是需要改进的代码

  • 让函数依赖“类文件对象”可以提升函数的适用面和可组合性

0人推荐
随时随地看视频
慕课网APP