《Python爬虫开发与项目实战》——1.3　IO编程

本节书摘来自华章计算机《Python爬虫开发与项目实战》一书中的第1章，第1.3节，作者：范传辉著，更多章节内容可以访问云栖社区“华章计算机”公众号查看

1.3　IO编程

　　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。本节主要讲解磁盘IO操作，网络IO操作放到之后的1.5节进行讨论。
1.3.1　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：

　　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：

>>> 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：

　　2.?文件模式
　　下面主要说一下open函数中的mode参数（如表1-1所示），通过改变mode参数可以实现对文件的不同操作。

　　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:textqiye.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，最后返回的是str类型的对象：

>>> f.read()
  "qiye"

　　最后一步调用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。

>>> 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。

try:
       f = open(r'c:\text\qiye.txt','r')
       print f.read()
   finally:
       if f:
           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：

　　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：

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

　　我们可以反复调用write()方法写入文件，最后必须使用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，最后使用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，最后使用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：

1.3.2　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'rn'，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:pythontest")。
• 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。
  1.3.3　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：

　　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：

try:
        import cPickle as pickle
    except ImportError:
        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：

>>> import cPickle as pickle
  >>> d = dict(url='index.html',title='首页',content='首页')
  >>> pickle.dumps(d)
  "(dp1\nS'content'\np2\nS'\\xca\\xd7\\xd2\\xb3'\np3\nsS'url'\np4\nS'index.html'\n
  p5\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：
  >>> f=open(r'D:\dump.txt','wb')
  >>> pickle.dump(d,f)
  >>> 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：

>>> f=open(r'D:\dump.txt','rb')
   >>> d=pickle.load(f)
   >>> f.close()
   >>> d
   {'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。对于JSON的操作，将在第5章进行讲解。