python的特殊文件操作——excel、PDF、word、json、csv

2019年5月19日 326次阅读 来源: 奔跑de鳄鱼

本文所记述的是一些基础知识点中平时用的比较少的方法。对于常见的一些文件格式，python几乎都有相关的库来进行操作。

一、 excel和csv

首先阐述下个人观点，对excel和csv文件的操作首推pandas，不过pandas主要侧重于数据的处理，如果想进行其他操作可以查看以下两个模块：

使用openpyxl模块可以对excel文件进行一些精细化操作，比如格式、样式、公式、图标等都可以使用python来处理。只不过excel本身也可以使用VBA编程，如何取舍还要视情而定。

使用csv模块的reader和writer方法可以像操作普通文本文件一样读写csv文件，其中涉及一些参数，可以对csv文件的数据进行精细化的操作。使用csv.reader()读取的数据为多维的列表。

二、PDF

PDF是二进制文件，处理起来要比普通文本复杂，但是PDF在日常工作中的使用频率越来越高，还是值得关注。python中有一个专门用来操作PDF的库：PyPDF2。

1.基本的PDF读取

下面这段代码展示了基本的PDF读取流程，其输出的结果就是第一页的内容。

>>> import PyPDF2
>>> pdfFileObj = open(file, 'rb')
>>> pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
>>> pdfReader.numPages  # 输出文档的页数
>>> pageObj = pdfReader.getPage(0)  
>>> pageObj.extractText()  # 输出文档的内容

在这个过程中，首先将pdf打开、读入，然后取得指定的page对象，才能通过extractText()方法获取文本内容。

2.加密PDF的读取

有些pdf是经过加密的，可以通过pdfReader.isEncrypted属性判断文档是否通过加密，如果经过加密则输出结果为True。可以使用pdfReader.decrypt(‘密码’)方法进行解密，返回“1”表示解密成功，可以正常获取page对象及其后的操作。

>>> import PyPDF2
>>> pdfReader = PyPDF2.PdfFileReader(open('encrypted.pdf', 'rb'))
>>> pdfReader.isEncrypted
# 输出：True
>>> pdfReader.decrypt('rosebud')
# 输出：1

需要注意的是，这种方式的解密是临时性的，硬盘中的文件仍然是加密后的文件。

3.PDF的写入

在 PyPDF2 中，与 PdfFileReader 对象相对的是 PdfFileWriter 对象，它可以创建一个新的 PDF 文件。但 PyPDF2 不能将任意文本写入 PDF，PyPDF2 写入 PDF 的能力，仅限于从其他 PDF 中拷贝页面、旋转页面、重叠页面和加密文件。其一般流程如下：

  • 1．打开一个或多个已有的 PDF（源 PDF），得到 PdfFileReader 对象。
  • 2．创建一个新的 PdfFileWriter 对象。
  • 3．将页面从 PdfFileReader 对象拷贝到 PdfFileWriter 对象中。
  • 4．最后，利用 PdfFileWriter 对象写入输出的 PDF。

具体方法这里不进行详述，需要时可查阅相关资料。

三、word

创建和修改word文档，可以使用 python-docx 模块。关于word文档的数据特性，在《python编程快速上手》这本书中讲的很好，我这里直接截图：

《python的特殊文件操作——excel、PDF、word、json、csv》 1553504381716.png

注：关于docx模块是否只能操作.docx文件而不能操作.doc文件这一点还有待核实。

1.docx文件的读取

使用docx模块可以接受一个.docx文件，获取其中的全部文本字符：

import docx
def getText(filename):
    doc = docx.Document(filename)
    fullText = []
    for para in doc.paragraphs:
        fullText.append(para.text)
    return '\n'.join(fullText)

当然，也可以分段提取paragraphs和runs的数据，例如：

>>> import docx
>>> doc = docx.Document('demo.docx')
>>> len(doc.paragraphs)
7
>>> doc.paragraphs[0].text
'Document Title'
>>> doc.paragraphs[1].text
'A plain paragraph with some bold and some italic'
>>> len(doc.paragraphs[1].runs)
4
>>> doc.paragraphs[1].runs[0].text
'A plain paragraph with some '
>>> doc.paragraphs[1].runs[1].text
'bold'
>>> doc.paragraphs[1].runs[2].text
' and some '
>>> doc.paragraphs[1].runs[3].text
'italic'

2.docx文件的写入

要进行word文档的写入，首先要注意设置paragraphs和runs的样式，然后创建一个新的、空白的 Word
Document 对象，再将新文本写入到Document中。另外，还可以向文档中添加标题、换行符换页符、图片等。（详细内容暂略）

总之，由于word中的内容不是单纯的字符串，而是带有特定的格式和属性，因此操作起来相对复杂一些。

四、json

json是一种非常流行的数据格式，MongoDB的数据就是json格式存储的。python对json文件的操作依赖于json模块。

1.json文件的读取

使用json.loads()方法可以将json格式的文件转换为python能够识别的数据（dict）。例如：

>>> stringOfJsonData = '{"name": "Zophie", "isCat": true, "miceCaught": 0,
"felineIQ": null}'
>>> import json
>>> jsonDataAsPythonValue = json.loads(stringOfJsonData)
>>> jsonDataAsPythonValue
{'isCat': True, 'miceCaught': 0, 'name': 'Zophie', 'felineIQ': None}

2.json文件的写入

与loads()方法相对应，使用json.dumps()可以将python数据转换为json数据。例如：

>>> pythonValue = {'isCat': True, 'miceCaught': 0, 'name': 'Zophie',
'felineIQ': None}
>>> import json
>>> stringOfJsonData = json.dumps(pythonValue)
>>> stringOfJsonData
'{"isCat": true, "felineIQ": null, "miceCaught": 0, "name": "Zophie" }'
    原文作者：奔跑de鳄鱼
    原文地址: https://www.jianshu.com/p/1502787dd57d
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。
点赞