用Python实现磁盘IO操作全攻略,让数据流动起来!

存储 存储软件
IO在计算机中指的是Input/Output,也就是输入输出。凡是用到数据交换的地方,都会涉及IO编程,例如磁盘、网络的数据传输。

 IO在计算机中指的是Input/Output,也就是输入输出。凡是用到数据交换的地方,都会涉及IO编程,例如磁盘、网络的数据传输。

在IO编程中,Stream(流)是一种重要的概念,分为输入流(Input Stream)和输出流(Output Stream)。我们可以把流理解为一个水管,数据相当于水管中的水,但是只能单向流动,所以数据传输过程中需要架设两个水管,一个负责输入,一个负责输出,这样读写就可以实现同步。

本文主要讲解磁盘IO操作。

 

01 文件读写

1. 打开文件

读写文件是最常见的IO操作。Python内置了读写文件的函数,方便了文件的IO操作。

文件读写之前需要打开文件,确定文件的读写模式。open函数用来打开文件,语法如下:

  1. open(name[.mode[.buffering]]) 

open函数使用一个文件名作为唯一的强制参数,然后返回一个文件对象。模式(mode)和缓冲区(buffering)参数都是可选的,默认模式是读模式,默认缓冲区是无。

假设有个名为qiye.txt的文本文件,其存储路径是c:\text(或者是在Linux下的~/text),那么可以像下面这样打开文件。在交互式环境的提示符“>>>”下,输入如下内容:

  1. >>> f = open(r'c:\text\qiye.txt'

如果文件不存在,将会看到一个类似下面的异常回溯:

  1. Traceback (most recent call last): 
  2.     File "<stdin>", line 1, in <module> 
  3. IOError: [Errno 2] No such file or directory: 'C:\\qiye.txt' 

2. 文件模式

下面主要说一下open函数中的mode参数,通过改变mode参数可以实现对文件的不同操作。

  • 'r':读模式
  • 'w':写模式
  • 'a':追加模式
  • 'b':二进制模式(可添加到其他模式中使用)
  • '+':读/写模式(可添加到其他模式中使用)

这里主要是提醒一下'b'参数的使用,一般处理文本文件时,是用不到'b'参数的,但处理一些其他类型的文件(二进制文件),比如mp3音乐或者图像,那么应该在模式参数中增加'b',这在爬虫中处理媒体文件很常用。参数'rb'可以用来读取一个二进制文件。

3. 文件缓冲区

open函数中第三个可选参数buffering控制着文件的缓冲。

如果参数是0,I/O操作就是无缓冲的,直接将数据写到硬盘上;如果参数是1,I/O操作就是有缓冲的,数据先写到内存里,只有使用flush函数或者close函数才会将数据更新到硬盘;如果参数为大于1的数字则代表缓冲区的大小(单位是字节),-1(或者是任何负数)代表使用默认缓冲区的大小。

4. 文件读取

文件读取主要是分为按字节读取和按行进行读取,经常用到的方法有read()、readlines()、close()。

在“>>>”输入f = open(r'c:\text\qiye.txt')后,如果成功打开文本文件,接下来调用read()方法则可以一次性将文件内容全部读到内存中,***返回的是str类型的对象:

  1. >>> f.read() 
  2. "qiye" 

***一步调用close(),可以关闭对文件的引用。文件使用完毕后必须关闭,因为文件对象会占用操作系统资源,影响系统的IO操作。

  1. >>> f.close() 

由于文件操作可能会出现IO异常,一旦出现IO异常,后面的close()方法就不会调用。所以为了保证程序的健壮性,我们需要使用try ... finally来实现。

  1. try: 
  2.     f = open(r'c:\text\qiye.txt','r'
  3.     print f.read() 
  4. finally: 
  5.     if f: 
  6.         f.close() 

上面的代码略长,Python提供了一种简单的写法,使用with语句来替代try ... finally代码块和close()方法,如下所示:

with open(r'c:\text\qiye.txt','r') as fileReader: print fileReader.read()

调用read()一次将文件内容读到内存,但是如果文件过大,将会出现内存不足的问题。一般对于大文件,可以反复调用read(size)方法,一次最多读取size个字节。如果文件是文本文件,Python提供了更加合理的做法,调用readline()可以每次读取一行内容,调用readlines()一次读取所有内容并按行返回列表。

大家可以根据自己的具体需求采取不同的读取方式,例如小文件可以直接采取read()方法读到内存,大文件更加安全的方式是连续调用read(size),而对于配置文件等文本文件,使用readline()方法更加合理。

将上面的代码进行修改,采用readline()的方式实现如下所示:

  1. with open(r'c:\text\qiye.txt','r'as fileReader: 
  2.     print fileReader.read() 

5. 文件写入

写文件和读文件是一样的,唯一的区别是在调用open方法时,传入标识符'w'或者'wb'表示写入文本文件或者写入二进制文件,示例如下:

  1. f = open(r'c:\text\qiye.txt','w'
  2. f.write('qiye'
  3. f.close() 

我们可以反复调用write()方法写入文件,***必须使用close()方法来关闭文件。使用write()方法的时候,操作系统不是立即将数据写入文件中的,而是先写入内存中缓存起来,等到空闲时候再写入文件中,***使用close()方法就将数据完整地写入文件中了。

当然也可以使用f.flush()方法,不断将数据立即写入文件中,***使用close()方法来关闭文件。和读文件同样道理,文件操作中可能会出现IO异常,所以还是推荐使用with语句:

  1. with open(r'c:\text\qiye.txt','w'as fileWriter: 
  2.     fileWriter.write('qiye'

02 操作文件和目录

在Python中对文件和目录的操作经常用到os模块和shutil模块。接下来主要介绍一些操作文件和目录的常用方法:

  • 获得当前Python脚本工作的目录路径:

os.getcwd()。

  • 返回指定目录下的所有文件和目录名:

os.listdir()。例如返回C盘下的文件:os.listdir("C:\\")

  • 删除一个文件:

os.remove(filepath)。

  • 删除多个空目录:

os.removedirs(r"d:\python")。

  • 检验给出的路径是否是一个文件:

os.path.isfile(filepath)。

  • 检验给出的路径是否是一个目录:

os.path.isdir(filepath)。

  • 判断是否是绝对路径:

os.path.isabs()。

  • 检验路径是否真的存在:

os.path.exists()。例如检测D盘下是否有Python文件夹:os.path.exists(r"d:\python")

  • 分离一个路径的目录名和文件名:

os.path.split()。例如:os.path.split(r"/home/qiye/qiye.txt"),返回结果是一个元组:('/home/qiye', 'qiye.txt')。

  • 分离扩展名:

os.path.splitext()。例如os.path.splitext(r"/home/qiye/qiye.txt"),返回结果是一个元组:('/home/qiye/qiye', '.txt')。

  • 获取路径名:

os.path.dirname(filetpah)。

  • 获取文件名:

os.path.basename(filepath)。

  • 读取和设置环境变量:

os.getenv()与os.putenv()。

  • 给出当前平台使用的行终止符:

os.linesep。Windows使用'\r\n',Linux使用'\n'而Mac使用'\r'。

  • 指示你正在使用的平台:

os.name。对于Windows,它是'nt',而对于Linux/Unix用户,它是'posix'。

  • 重命名文件或者目录:

os.rename(old,new)。

  • 创建多级目录:

os.makedirs(r"c:\python\test")。

  • 创建单个目录:

os.mkdir("test")。

  • 获取文件属性:

os.stat(file)。

  • 修改文件权限与时间戳:

os.chmod(file)。

  • 获取文件大小:

os.path.getsize(filename)。

  • 复制文件夹:

shutil.copytree("olddir","newdir")。olddir和newdir都只能是目录,且newdir必须不存在。

  • 复制文件:

shutil.copyfile("oldfile","newfile"),oldfile和newfile都只能是文件;shutil. copy("oldfile","newfile"),oldfile只能是文件,newfile可以是文件,也可以是目标目录。

  • 移动文件(目录):

shutil.move("oldpos","newpos")。

  • 删除目录:

os.rmdir("dir"),只能删除空目录;shutil.rmtree("dir"),空目录、有内容的目录都可以删。

 

03 序列化操作

对象的序列化在很多高级编程语言中都有相应的实现,Python也不例外。程序运行时,所有的变量都是在内存中的,例如在程序中声明一个dict对象,里面存储着爬取的页面的链接、页面的标题、页面的摘要等信息:

  1. d = dict(url='index.html',title='首页',content='首页'

在程序运行的过程中爬取的页面的链接会不断变化,比如把url改成了second.html,但是程序一结束或意外中断,程序中的内存变量都会被操作系统进行回收。

如果没有把修改过的url存储起来,下次运行程序的时候,url被初始化为index.html,又是从首页开始,这是我们不愿意看到的。所以把内存中的变量变成可存储或可传输的过程,就是序列化。

将内存中的变量序列化之后,可以把序列化后的内容写入磁盘,或者通过网络传输到别的机器上,实现程序状态的保存和共享。反过来,把变量内容从序列化的对象重新读取到内存,称为反序列化。

在Python中提供了两个模块:cPickle和pickle来实现序列化,前者是由C语言编写的,效率比后者高很多,但是两个模块的功能是一样的。一般编写程序的时候,采取的方案是先导入cPickle模块,如果此模块不存在,再导入pickle模块。示例如下:

  1. try: 
  2.     import cPickle as pickle 
  3. except ImportError: 
  4.     import pickle 

pickle实现序列化主要使用的是dumps方法或dump方法。dumps方法可以将任意对象序列化成一个str,然后可以将这个str写入文件进行保存。在Python Shell中示例如下:

  1. >>> import cPickle as pickle 
  2. >>> d = dict(url='index.html',title='首页',content='首页'
  3. >>> pickle.dumps(d) 
  4. "(dp1\nS'content'\np2\nS'\\xca\\xd7\\xd2\\xb3'\np3\nsS'url'\np4\nS'index.html'\np5\nsS'title'\np6\ng3\ns." 

如果使用dump方法,可以将序列化后的对象直接写入文件中:

  1. >>> f=open(r'D:\dump.txt','wb'
  2. >>> pickle.dump(d,f) 
  3. >>> f.close() 

pickle实现反序列化使用的是loads方法或load方法。把序列化后的文件从磁盘上读取为一个str,然后使用loads方法将这个str反序列化为对象,或者直接使用load方法将文件直接反序列化为对象,如下所示:

  1. >>> f=open(r'D:\dump.txt','rb'
  2. >>> d=pickle.load(f) 
  3. >>> f.close() 
  4. >>> d 
  5. {'content''\xca\xd7\xd2\xb3''url''index.html''title''\xca\xd7\xd2\xb3'

通过反序列化,存储为文件的dict对象,又重新恢复出来,但是这个变量和原变量没有什么关系,只是内容一样。以上就是序列化操作的整个过程。

假如我们想在不同的编程语言之间传递对象,把对象序列化为标准格式是关键,例如XML,但是现在更加流行的是序列化为JSON格式,既可以被所有的编程语言读取解析,也可以方便地存储到磁盘或者通过网络传输。

作者:范传辉

关于作者:范传辉,资深网虫,Python开发者,参与开发了多项网络应用,在实际开发中积累了丰富的实战经验,并善于总结,贡献了多篇技术文章广受好评。研究兴趣是网络安全、爬虫技术、数据分析、驱动开发等技术。

内容摘编自《Python爬虫开发与项目实战》一书

 

首发于微信公众号大数据(ID:hzdashuju)

责任编辑:武晓燕 来源: 大数据
相关推荐

2020-11-16 11:50:21

Python代码命令

2009-06-19 11:18:51

Factory BeaSpring配置

2022-06-07 09:00:32

PythonAI静态图片

2016-11-15 15:10:07

2010-04-23 14:04:23

Oracle日期操作

2013-05-27 15:35:18

用友UAP移动应用移动平台

2022-02-24 08:30:24

操作系统CPU程序

2021-09-26 09:23:01

GC算法垃圾

2011-06-01 14:51:54

jQuery

2012-09-03 09:21:51

2010-09-08 09:48:56

Gif播放教程Android

2021-01-29 17:40:00

Flyme安卓手机安全

2019-05-21 14:18:09

PygamePython编程语言

2018-07-26 13:53:27

2011-09-15 17:36:29

Android应用Call Cartoo动画

2010-05-21 11:03:51

统一通信系统

2015-03-04 13:53:33

MySQL数据库优化SQL优化

2021-04-12 11:47:21

人工智能知识图谱

2014-03-21 09:52:29

jQuery动画插件

2013-04-15 10:48:16

Xcode ARC详解iOS ARC使用
点赞
收藏

51CTO技术栈公众号