python cookbook第三版学习笔记七：python解析csv,json,xml文件

CSV文件读取：

Csv文件格式如下：分别有2行三列。

访问代码如下：

f=open(r‘E:\py_prj\test.csv‘,‘rb‘)
f_csv=csv.reader(f)
for f in f_csv:
    print f

在这里f是一个元组，为了访问某个字段，需要用索引来访问对应的值，如f[0]访问的是first，f[1]访问的是second，f[2]访问的是third. 用列索引的方式很难记住。一不留神就会搞错。可以考虑用对元组命名的方式

这里介绍namedtuple的方法。

下面的例子中实现用namedtuple创建一个对象赋值给user。其中对象实例是user,包含了3个属性值，分别是name,age,height。通过赋值后得到u

就可以利用属性访问的方法u.name来访问各个属性

user=namedtuple(‘user‘,[‘name‘,‘age‘,‘height‘])
u=user(name=‘zhf‘,age=20,height=180)
print u.name

这种方法也可以用到csv文件的读取上。代码修改如下

f=open(r‘E:\py_prj\test.csv‘,‘rb‘)
f_csv=csv.reader(f)
heading=next(f_csv)
Row=namedtuple(‘Row‘,heading)
for row in f_csv:
    row=Row(*row)
    print row.first，row.second,row.third

这样访问起来就直观多了。那么用对象的方式看起来太复杂了点。可以用字典的方式么。也是可以的而且方法更加简洁。方法如下。

f=open(r‘E:\py_prj\test.csv‘,‘rb‘)
f_csv=csv.DictReader(f)
for row in f_csv:
    print row[‘first‘]

同样的写入也可以用csv.DictWriter()

Json数据：

Json和xml是网络世界上用的最多的数据交换格式。Json主要有以下特点：

1 对象表示为键值对，也就是字典的形式

2 数据又逗号分隔

3 花括号保存对象

4 方括号保存数组

操作json文件的方法如下：

data={‘name‘:‘zhf‘,‘age‘:30,‘location‘:‘china‘}
f=open(‘test.json‘,‘w‘)
json.dump(data,f)
f=open(‘test.json‘,‘r‘)
print json.load(f)

在生成的json文件中格式如下：

可以看到json的这种键值结构在感官上比XML的结构要简单得多，也更一目了然。

我们还可以对json进行扩展。如下面的数据。在record的键值里面是一个数组，数组里面有2个字典数据

data={‘name‘:‘zhf‘,‘age‘:30,‘location‘:‘china‘,‘record‘:[{‘first‘:‘china‘,‘during‘:10},{‘second‘:‘chengdu‘,‘during‘:20}]}

可以看到json可以存储复杂的数据结构。当我们打印出来的时候。可以看到结构的可视化结果不怎么好。

我们可以用pprint的方法将结果打印出结构化的样子：pprint(json.load(f))

这样看起来就清晰直观多了

解析XML文件：

 XML（eXtensible Markup Language）指可扩展标记语言，被设计用来传输和存储数据。XML和JSON两种文件格式是互联网上应用得最多的数据传输格式。Python解析XML有三种方法：一是xml.dom.*模块。二是xml.sax.*模块 三是xml.etree.ElementTree模块

首先介绍dom模块。一个DOM的解析器在解析一个XML文档的时候。一次性读取整个文档。把文档中的所有元素保存在内存中的一个树结构中。 可以看到这种方式比较适用于解析数据小的XML文档，否则会很耗内存。

比如下面的结构。<string-array>下面包括许多<item>。这个结构包含了北京市下面的地级市

解析代码如下：

def xml_try():
    domtree=xml.dom.minidom.parse(r‘D:\test_source\arrays.xml‘)
    data=domtree.documentElement
    city=data.getElementsByTagName(‘string-array‘)
    for c in city:
        print c.getAttribute(‘name‘)
        cityname =c.getElementsByTagName(‘item‘)
        for name in cityname:
            print name.childNodes[0].data

首先用domtree.documentElement将XML文件所有内容录入。然后用getElementsByTagName读取所有tag名字为string-array的结构。然后在每个结构里面再进行具体的解析。遍历到子节点的时候用childNodes来访问最后的末端元素。getAttribute得到具体的属性。

同样的文件我们用ElementTree解析方法如下：首先查找所有的string-array节点。然后再其中查找所有的item节点。然后输出节点内容

from xml.etree.ElementTree import parse

def xml_try():
    doc=parse(r‘D:\test_source\arrays.xml‘)
    for city in doc.findall(‘string-array‘):
        name=city.findall(‘item‘)
        for n in name:
            print n.text

如果我们想精准的查找某个节点结构。方法如下：

doc1=parse(r‘D:\test_source\rss20.xml‘)
for item in doc1.iterfind(‘channel/item/title‘):
    print item.text

xml结构如下：

上面是定位了最后一级的子节点。如果要定位到上面的父节点，然后查找所有的子节点的方法如下：

doc1=parse(r‘D:\test_source\rss20.xml‘)
for item in doc1.iterfind(‘channel/item‘):
    print item.findtext(‘title‘)
    print item.findtext(‘link‘)

前面2种方法都是一次性的将XML文件所有数据读入，然后再来进行查找。这种方法优点是查找速度快，但是很耗内存。其实大多数的情况下我们只是查找特定的元素。一次性的全部读入。会导致很多不必要的数据被写入。如果可以边查找边判断的话，那么可以大大的节约内存，iterparse就是这样的方法：还是用之前的文档。

from xml.etree.ElementTree import iterparse

doc2=iterparse(r‘D:\test_source\rss20.xml‘,(‘start‘,‘end‘))
for event,elem in doc2:
    print ‘the event is %s‘ % event
    print elem.tag,elem.text

我们截取了一小部分的结果。

对应的XML结构

发现什么规律么，当遇到<title>的字符的时候，event就是start，当遇到</title>的时候event就是end. Iterparse返回2个元素，一个是event。一个是elem.这个elem就是位于start和end之间的元素。从上面的打印可以看到elem.tag,elem.text被打印了两次。这是由于在event为start的时候，打印了一次。在event为end的时候又被打印了一次。

我们可以修改代码如下，当只有在event为end的时候才输出text

doc2=iterparse(r‘D:\test_source\rss20.xml‘,(‘start‘,‘end‘))
for event,elem in doc2:
    print ‘the event is %s‘ % event
    if event == ‘end‘:
        print elem.tag,elem.text

既然iterparse能够扫描一个个的元素，并得到对应的text.那么我们就可以将这个函数转换为生成器。代码修改如下：

def xml_try(element):
    tag_indicate=[]
    doc2=iterparse(r‘D:\test_source\rss20.xml‘,(‘start‘,‘end‘))
    for event,elem in doc2:
        if event == ‘start‘:
            tag_indicate.append(elem.tag)
        if event == ‘end‘:
            if tag_indicate.pop() == element:
                yield elem.text

if __name__==‘__main__‘:
   for r in xml_try(‘title‘):
       print r

在上面的代码中。当event为start的时候，记录此时的tag。当event为end的时候，比较记录的tag值和传入的element值。如果相当，则返回此时的elem.text. 在代码中我们传入的是title。得到的结果如下。

从上面几段代码可以看到，iterparse主要应用于比较大的xml文件。这种情况下如果一次性的读入所有数据形成树状结构，很耗内存。