Python打开文件并进行处理，txt、excel、pdf、word！-Toy模板网

这篇具有很好参考价值的文章主要介绍了Python打开文件并进行处理，txt、excel、pdf、word！。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

1. 概要

在办公处理中，我们常常要打开一些文件，面临大量的数据时，传统的人工方法耗时耗力。在python中，有一系列包装好的库，让我们能够很方便的操作各种类型的文件。当然，python的内置函数也能够很好的打开一些文件。本文主要探讨python打开各类文件的方式。本文介绍的主题内容如下所示：

2. 操作txt文本文件

2.1 打开模式

file = open(path,'r')

我们可以用多种不同的方式去打开txt文件，具体类型如下：

类型	读写操作	备注
r	只读	/
w	只写	覆盖
a	只写	追加
r+	可读可写	覆盖
w+	可读可写	覆盖
a+	可读可写	追加

不同的打开模式获得不同的权限。另外，使用w、a以及w+、a+模式打开不存在的文件时，系统会创建一个文件，而使用 r 和 r+ 则会报错。

2.2 读取方式

一般情况下，如果只是要读取文件内的内容，那么我们可以不输入打开模式参数，默认为”r”。

（1）read()

read() 一次性读全部内容一次性读取文本中全部的内容，以字符串的形式返回结果。

f = open('example.txt',encoding = 'utf-8')
content = f.read()
print(content)
f.close()

打印出来的结果如下所示：

当你老了
头发花白

你会发现输出出来的文本样式，和在记事本里看到的基本一致。注意，两行之间存在换行符。

（2）readline()

readline() 读取第一行内容,只读取文本第一行的内容，以字符串的形式返回结果。这个函数一般用于循环读取，将每一行的内容作为元素装入列表。

f=open('example.txt', encoding='utf-8')
line = f.readline().strip()    #读取第一行
txt=[]
txt.append(line)
while line:  # 直到读取完文件
   line = f.readline().strip()  # 读取一行文件，包括换行符
   txt.append(line)
f.close()  # 关闭文件
print(txt)

输出的结果如下所示：

['当你老了', '头发花白', '']

这里每个字符串末尾之所以没有出现换行符，是因为使用**strip()**函数进行了处理。另外我们也可以像下面这样，处理文本文件的每一行，其本质是和上面一样的。

txt = []
for line in f:
	......

（3）readlines()

readlines()读取文本所有内容，并且以数列的格式返回结果。这里返回的结果其实是和上面使用 readline() 逐行读取的结果是一样的，不再过多展示。

f=open('example.txt'，encoding='utf-8')
data = f.readlines()  
f.close() 
print(data) #返回list

2.3 写入文件

在文件中写入内容，需要打开文件，主要用到 write() 函数。注意 wirte() 写入后默认不换行。

f = open('example.txt','a+',encoding = 'utf-8')     # 选择了可读可写的追加模式
f.write('\n睡意沉沉')
f.close()

f=open('example.txt',encoding='utf-8')
print(f.read())
f.close()

打印出的结果如下所示：

当你老了
头发花白
睡意沉沉

注意，这里我们在写入后先关闭了文件，而后再重新打开文件读取。因为 readline() 和readlines() 以及 read() 函数都是根据指针进行读取的，如果直接在写完以后进行读取，那么读到的一定是空白。

3. 读取excel文件数据

打开excel的方式有很多，本文主要介绍一种方法，使用pandas将excel数据转化为dataframe结构。

import pandas as pd
df = pd.read_excel('example.xlsx',sheet_name = 'Sheet1',converters={'id':str})
df.head()

通过“sheet_name"指定对应得工作表。另外，在excel中，有一些编码信息，如学号或者id，可能以0开头，在默认情况下python会将其理解为整数！并将其前面的0给截断。所以使用后面得 converters 参数进行以后类型转换。

现在，python有很多开发好的优秀的处理excel的包，如openpyxl、xlwt，但如果仅仅是为了读取数据，其实使用pandas就已经非常足够了。但如果是要对 excel 文件进行编辑操作的话，我更加推荐的是使用 openpyxl 库，这里不再过多介绍。

pandas中得dataframe是一个很强大的数据结构，能够很快的索引到想要的信息。在本例中，示例文件中的数据如下所示：

id	age	weight
001	14	60
002	15	65
003	16	62
004	17	64
005	18	65

获取某一列的数据，这里其实返回的是一个series结构。

id_s = df['id']

获取某一行的数据，并获取该行的单独某一项。

temp = df.iloc[0]
print(temp，end = '\n\n')
print(temp.id,temp.age,temp.weight)

该代码的运行结果如下所示：

id         001
age         14
weight    60.0
Name: 0, dtype: object

001 14 60.0

4. 读取PDF–PyMuPdf

PDF（Portable Document Format）是一种便携文档格式，便于跨操作系统传播文档。PDF文档遵循标准格式，因此存在很多可以操作PDF文档的工具，Python自然也不例外。本文主要介绍一种好用的的 python-pdf 包——PyMuPdf。

PyMuPDF是MuPDF的Python绑定——一个轻量级的PDF，XPS和电子书查看器，渲染器和工具包，由Artifex软件公司维护和开发。

打开一个文件。

doc = fitz.open(filename)

常见方法和属性：

Method / Attribute	Description
`Document.page_count`	the number of pages (int)
`Document.metadata`	the metadata (dict)
`Document.get_toc()`	get the table of contents (list)
`Document.load_page()`	read a page

如何读取pdf文件内的全部文本：

import fitz
# 定义一个函数，根据文件路径读取pdf文件，并返回pdf文本的字符串
def read_pdf(path):
    doc = fitz.open(path)
    txt = ''
    for page in doc.pages():
        temp = page.get_text()
        txt += temp
    return txt

为什么选择PyMuPDF？对比其它的开源包，它最大的特点就是运行速度较快，毕竟谁也不想花很长时间等待运行结果。除了简单的读取文本，该库还支持读取图片、读取表格、高亮标记等一系列功能，更多详情请见官方文档。

5. Word的读取与写入

这里主要介绍python-docx。先简单了解一下Word文档。和纯文本（比如txt）相比， .docx文件有很多种结构，这些结构在python-docx中用3种不同的类型来表示：最高一层是Document对象表示文档，每个Document对象包含一个Paragraph 对象也就是段落组成的列表，而每个Paragraph对象则包含一个Run对象的列表。

也可以用它来处理表格，基本结构如下：

python-docx将文章中所有的表格都存放在document.tables中
每个Table都有对应的行table. rows、列table. columns和单元格(table. cell())
单元格是最基本的单位，每个单元格又被划分成不同的Paragraph对象

具体的结构图如下所示：

5.1 读取文档

下面我们通过python-docx来读取word文档，并查看相关属性。

import docx
# 读取Word文档
doc = docx.Document(r'python.docx')
print( len(doc.paragraphs))    # 查看段落数量
print(doc.paragraphs[0].text)    # 查看第一段的内容
# print(doc.paragraphs[0].runs)    # 查看第一段的run对象
print(len(doc.paragraphs[0].runs))   # 查看第一段中run对象的个数
for i in range(10):
    print(doc.paragraphs[0].runs[i].text,end = ' ')

如果要读取word的完整文本内容，我们自定义一个函数，使用换行符来分隔开每一段。

def getText(fileName):
    doc = docx.Document(fileName)
    TextList = []
    for paragraph in doc.paragraphs:
        TextList.append(paragraph.text)
    
    return '\n'.join(TextList)

5.2 写入文档

对于Run对象的字符text属性，都有3个状态：True（启用）、False（禁用）和None（默认）。text的常见属性如下：

属性	描述
bold	文本以粗体出现
italic	文本以斜体出现
underline	文本带下划线
strike	文本带删除线
double_strike	文本带双删除线

接下来我们看看如何创建并写入Word，要创建自己的.docx 文件，就调用 docx.Document()，返回一个新的、空白的 Word Document 对象。Document 对象的 add_paragraph()方法将一段新文本添加到文档中，并返回添加的 Paragraph 对象的引用。

import docx

doc = docx.Document()
doc.add_paragraph('这是一个段落')
doc.add_run('加粗的一句话').bold = True
doc.add_paragraph('这是第二个段落')
doc.save('多段落.docx')

常用的添加方法：

方法	作用
add_paragraph()	添加段落
add_run()	在当前段落尾加上词 / 句
add_break()	添加换行符（仍然当前段落）
add_picture	在段落末尾添加图像