数据处理

Posted 2020-11-14 jweiqing

一、CSV数据处理

Csv文件格式

定义：

　　逗号分隔值（Comma-Separated Values，CSV，有时也称为字符分隔值，因为分隔字符也可以不是逗号），其文件以纯文本形式存储表格数据（数字和文本）。纯文本意味着该文件是一个字符序列，不含必须像二进制数字那样被解读的数据。CSV文件由任意数目的记录组成，记录间以某种换行符分隔；每条记录由字段组成，字段间的分隔符是其它字符或字符串，最常见的是逗号或制表符。通常，所有记录都有完全相同的字段序列。

如一下格式：

27,20,14,15,14,12,94,64,37,1015,1013,1009,7,5,2,21,8,35,0.00,,,152

.csv文件可以直接用excel或者类似软件打开，样子都是我们常见的表格形式。

示例：

 

import csv

fileName = ‘test.csv‘
with open(fileName, "r", encoding="utf-8") as f:
    text = csv.reader(f)
    for i in text:
        print(i)
print("####"*10)
with open(fileName, "r", encoding="utf-8") as f:
    for i in f.readlines():
        print(i.split(","))

二、excel数据处理

　　python提供有第三方库来支持对excel的操作，python处理excel文件用的第三方模块库有xlrd、xlwt、xluntils和pyExcelerator，除此之外，python处理excel还可以用win32com和openpyxl模块。下面我们先安装第三方库

• Pip install xlrd
• Pip install xlwt
• Pip install xluntils
• Pip install pyExcelerator

Xlrd只能进行读取excel文件，没法进行写入文件，xlwt可以写入文件，但是不能在已有的excel的文件上进行修改，如果有这个需求，就需要使用xluntils模块了，pyExcelerator模块与xlwt类似，也可以用来生成excel文件

读取单表文件：

 

import xlrd

def readExcel():
    data = xlrd.open_workbook(‘test.xlsx‘)
    table = data.sheets()[0] # 打开第一张表
    nrows = table.nrows    # 获取表的行数
    for i in range(nrows): # 循环逐行打印
         print(table.row_values(i))#通过row_values来获取每行的值

readExcel()

 

示例：

import xlrd

data = xlrd.open_workbook("test.xlsx")

table = data.sheets()[0]
rows = table.nrows
cols = table.ncols
print(cols)
for i in range(rows):
    print(table.row_values(i))


print("##"*10)
for j in range(cols):
    print(table.col_values(j))


print("###"*10)
for row in range(rows):
    for col in range(cols):
        cell = table.cell_value(row, col)
        print(cell)

读取单表文件复杂例子：

 

 写入excel文件
import xlwt
#创建workbook和sheet对象
workbook = xlwt.Workbook() #注意Workbook的开头W要大写
sheet1 = workbook.add_sheet(‘sheet1‘, cell_overwrite_ok=True)
sheet2 = workbook.add_sheet(‘sheet2‘, cell_overwrite_ok=True)
sheet3 = workbook.add_sheet(‘sheet3‘, cell_overwrite_ok=True)
#向sheet页中写入数据
sheet1.write(0,0,‘this should overwrite1‘)
sheet1.write(0,1,‘aaaaaaaaaaaa‘)
sheet2.write(0,0,‘this should overwrite2‘)
sheet2.write(1,2,‘bbbbbbbbbbbbb‘)

#-----------使用样式-----------------------------------
#初始化样式
style = xlwt.XFStyle()
#为样式创建字体
font = xlwt.Font()
font.name = ‘Times New Roman‘
font.bold = True
#设置样式的字体
style.font = font
#使用样式
sheet3.write(0,1,‘some bold Times text‘,style)

#保存该excel文件,有同名文件时直接覆盖
workbook.save(‘test2.xls‘)
print(‘创建excel文件完成!‘)

Excele来处理超链接

import codecs
import xlwt
book = xlwt.Workbook()
sheet_index = book.add_sheet(‘index‘)
line=0
for i in range(9):
    link = ‘HYPERLINK("{0}.txt", "{1}_11111")‘.format(i, i)
    sheet_index.write(line, 0, xlwt.Formula(link))
    line += 1
book.save(‘simple2.xls‘)
for i in range(0, 9):
    file = str(i) + ".txt"
    with codecs.open(file, ‘w‘) as f:
        f.write(str(i)*10)

Python进行修改excel文件：
但是不支持使用xlsx文件，直接使用xlsx就没有问题，如果使用xlsx文件，容易发生问题。
import xlrd
import xlutils.copy
#打开一个workbook
rb = xlrd.open_workbook(‘aaa111.xls‘)
wb = xlutils.copy.copy(rb)
#获取sheet对象，通过sheet_by_index()获取的sheet对象没有write()方法
ws = wb.get_sheet(0)
#写入数据
ws.write(10, 10, ‘changed!‘)
#添加sheet页
wb.add_sheet(‘sheetnnn2‘,cell_overwrite_ok=True)
#利用保存时同名覆盖达到修改excel文件的目的,注意未被修改的内容保持不变
wb.save(‘aaa111.xls‘)

 

三、Python处理pdf文件

Python读出pdf文件
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time    : 2018/1/10 14:46
# @Author  : lingxiangxiang
# @File    : demon1.py
from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfparser import PDFPage
from pdfminer.pdfinterp import PDFResourceManager, PDFTextExtractionNotAllowed
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.pdfdevice import PDFDevice
from pdfminer.layout import LAParams
from pdfminer.converter import PDFPageAggregator
#获取文档对象，你把algorithm.pdf换成你自己的文件名即可。
fp=open("test.pdf","rb")
#创建一个与文档相关联的解释器
parser=PDFParser(fp)
#PDF文档对象,提供密码初始化，没有就不用带password参数。
doc=PDFDocument()

parser.set_document(doc)
doc.set_parser(parser)

doc.initialize()
#检查文件是否允许文本提取
if not doc.is_extractable:
    raise PDFTextExtractionNotAllowed
#链接解释器和文档对象
# parser.set_document(doc)
#doc.set_paeser(parser)
#初始化文档
#doc.initialize("")
#创建PDF资源管理器对象来存储共享资源
resource=PDFResourceManager()
#参数分析器
laparam=LAParams()
#创建一个聚合器
device=PDFPageAggregator(resource, laparams=laparam)
#创建PDF页面解释器
interpreter=PDFPageInterpreter(resource,device)
#使用文档对象得到页面集合
for page in doc.get_pages():
  #使用页面解释器来读取
  interpreter.process_page(page)
  #使用聚合器来获取内容
  layout=device.get_result()
  for out in layout:
    if hasattr(out, "get_text"):
      print(out.get_text())

 

四、html转pdf文件

转换成pdf的三种方法：
在工作中，我们可能会遇到把html文件转换成pdf文件，而python给我们提供了pdfkit这个模块，我们直接安装使用就可以了，下面我们就下来介绍一个pdfkit模块的几种用法，
首先，我们安装该模块：
pip install pdfkit
1.网页转换成pdf
直接把url转换成pdf文件
import pdfkit
pdfkit.from_url(‘http://google.com‘, ‘out1.pdf‘)

2. Html转换成pdf
Import pdfkit
pdfkit.from_file(‘test.html‘, ‘out2.pdf‘)

3. 字符创转换成pdf
Import pdfkit
pdfkit.from_string(‘Hello lingxiangxiang!‘, ‘out3.pdf‘)

抓取aming的linux教程，然后制作成pdf文件
先抓取每个的网页，然后生成pdf文件

import codecs
import os
import sys

import pdfkit
import requests

base_url = ‘http://www.apelearn.com/study_v2/‘
if not os.path.exists("aming"):
    os.mkdir("aming")

os.chdir("aming")
s = requests.session()

for i in range(1, 27):
    url = base_url + ‘chapter‘ + str(i) + ‘.html‘
    print(url)
    file = str(i) + ‘.pdf‘
    print(file)
    config = pdfkit.configuration(wkhtmltopdf=r"D:Program Fileswkhtmltopdfinwkhtmltopdf.exe")
    try:
        pdfkit.from_url(url, file)
    except:
        continue

合并多个pdf文件为一个pdf文件

import PyPDF2
import os

#建立一个装pdf文件的数组
pdfFiles = []

for fileName in os.listdir(‘aming‘):    #遍历该程序所在文件夹内的文件
    if fileName.endswith(‘.pdf‘):   #找到以.pdf结尾的文件
        pdfFiles.append(fileName)   #将pdf文件装进pdfFiles数组内
    
    # pdfFiles.sort()     #文件排序
    print(pdfFiles)
    
    os.chdir("aming")
    pdfWriter = PyPDF2.PdfFileWriter()     #生成一个空白的pdf文件
    
    for fileName in pdfFiles:
        pdfReader = PyPDF2.PdfFileReader(open(fileName,‘rb‘))   #以只读方式依次打开pdf文件
    for pageNum in range(pdfReader.numPages):
        print(pdfReader.getPage(pageNum))
    pdfWriter.addPage(pdfReader.getPage(pageNum))    #将打开的pdf文件内容一页一页的复制到新建的空白pdf里
    
    pdfOutput = open(‘combine.pdf‘,‘wb‘)     #生成combine.pdf文件
    pdfWriter.write(pdfOutput)               #将复制的内容全部写入combine.pdf
    pdfOutput.close()

五、处理图片

图像处理是一门应用非常广的技术，而拥有非常丰富第三方扩展库的 Python 当然不会错过这一门盛宴。PIL （Python Imaging Library）是 Python 中最常用的图像处理库，如果你是python2.x，可以通过以下地址进行下载：http://www.pythonware.com/products/pil/index.htm，找到相对应的版本进行下载就可以了。
注意：PIL模块在python3.x中已经替换成pillow模块，文档地址：http://pillow.readthedocs.io/en/latest/，直接使用pip3 install pillow即可安装模块，导入时使用from PIL import Image.

from PIL import Image

image = Image.open("1.jpg")
print(image.format, image.size, image.mode)
image.show()
结果：
JPEG (1080, 1920) RGB
并把图片打开，展示出来

Image的三个属性：
    format : 识别图像的源格式，如果该文件不是从文件中读取的，则被置为 None 值。
    
    size : 返回的一个元组，有两个元素，其值为象素意义上的宽和高。

mode : RGB（true color image），此外还有，L（luminance），CMTK（pre-press image）。
Image的方法介绍：
    show()：显示最近加载的图像
    open(infilename):  打开文件
    save(outfilename)：保存文件
    crop((left, upper, right, lower))：从图像中提取出某个矩形大小的图像。它接收一个四元素的元组作为参数，各元素为（left, upper, right, lower），坐标系统的原点（0, 0）是左上角。





Image的几何处理：
out = im.resize((128, 128))                     #调整图片大小
out = im.rotate(45)                             #逆时针旋转 45 度角。
out = im.transpose(Image.FLIP_LEFT_RIGHT)       #左右对换。
out = im.transpose(Image.FLIP_TOP_BOTTOM)       #上下对换。
out = im.transpose(Image.ROTATE_90)             #旋转 90 度角。
out = im.transpose(Image.ROTATE_180)            #旋转 180 度角。
out = im.transpose(Image.ROTATE_270)            #旋转 270 度角。

例子1：抠图
需求，把头像给截图出来：
from PIL import Image
image = Image.open("1.jpg")
print(image.format, image.size, image.mode)
box = (600, 300, 1050, 660)
region = image.crop(box)
region.save("cutting.jpg")
上述代码讲图片的((600, 300), (600, 660), (1050, 300), (1050, 660))所画出来的区域进行裁剪，并保存在cutting.jpg中

例子2：图片拼合
from PIL import Image
image = Image.open("1.jpg")
print(image.format, image.size, image.mode)
box = (600, 300, 1050, 660)
egion = image.crop(box)
#egion.save("cutting.jpg")
region = egion.transpose(Image.ROTATE_180)
image.paste(region, box)
image.show()

把头像照片截取出来，然后调换头像照片180度，然后在拼接在一起，

例子3：缩放：
from PIL import Image

infile = "2.jpg"
outfile = "new2.jpg"
image = Image.open(infile)
(x, y) = image.size
newx = 300
newy = int(y*newx/x)
out = image.resize((newx, newy), Image.ANTIALIAS)
out.show()

例子4：验证码

import random
import string
import sys
import math
from PIL import Image, ImageDraw, ImageFont, ImageFilter

# 字体的位置，不同版本的系统会有不同
font_path = ‘msyh.ttf‘
# 生成几位数的验证码
number = 4
# 生成验证码图片的高度和宽度
size = (100, 30)
# 背景颜色，默认为白色
bgcolor = (255, 255, 255)
# 字体颜色，默认为蓝色
fontcolor = (0, 0, 255)
# 干扰线颜色。默认为红色
linecolor = (255, 0, 0)
# 是否要加入干扰线
draw_line = True
# 加入干扰线条数的上下限
line_number = 20


# 用来随机生成一个字符串
def gene_text():
    source = list(string.ascii_letters)
    for index in range(0, 10):
        source.append(str(index))
    return ‘‘.join(random.sample(source, number))  # number是生成验证码的位数


# 用来绘制干扰线
def gene_line(draw, width, height):
    begin = (random.randint(0, width), random.randint(0, height))
    end = (random.randint(0, width), random.randint(0, height))
    draw.line([begin, end], fill=linecolor)


# 生成验证码
def gene_code():
    width, height = size  # 宽和高
    image = Image.new(‘RGBA‘, (width, height), bgcolor)  # 创建图片
    font = ImageFont.truetype(font_path, 25)  # 验证码的字体
    draw = ImageDraw.Draw(image)  # 创建画笔
    text = gene_text()  # 生成字符串
    font_width, font_height = font.getsize(text)
    draw.text(((width - font_width) / number, (height - font_height) / number), text, font=font, fill=fontcolor)  # 填充字符串
    if draw_line:
        for i in range(line_number):
            gene_line(draw, width, height)

    # image = image.transform((width + 20, height + 10), Image.AFFINE, (1, -0.3, 0, -0.1, 1, 0), Image.BILINEAR)  # 创建扭曲
    image = image.filter(ImageFilter.EDGE_ENHANCE_MORE)  # 滤镜，边界加强
    image.save(‘idencode.png‘)  # 保存验证码图片
    # image.show()


if __name__ == "__main__":
    gene_code()