前言
Python用于处理文本数据绝对是个利器,极为简单的读取、分割、过滤、转换支持,使得开发者不需要考虑繁杂的流文件处理过程(相对于JAVA来说的,嘻嘻)。博主自己工作中,一些复杂的文本数据处理计算,包括在HADOOP上编写Streaming程序,均是用Python完成。
而在文本处理的过程中,将文件加载内存中是第一步,这就涉及到怎样将文件中的某一列映射到具体的变量的过程,最最愚笨的方法,就是按照字段的下标进行引用,比如这样子:
1
2
3
4
|
# fields是读取了一行,并且按照分隔符分割之后的列表 user_id = fields[ 0 ] user_name = fields[ 1 ] user_type = fields[ 2 ] |
如果按照这种方式读取,一旦文件有顺序、增减列的变动,代码的维护是个噩梦,这种代码一定要杜绝。
本文推荐两种优雅的方式来读取数据,都是先配置字段模式,然后按照模式读取,而模式则有字典模式和列表模式两种形式;
读取文件,按照分隔符分割成字段数据列表
首先读取文件,按照分隔符分割每一行的数据,返回字段列表,以便后续处理。
代码如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
def read_file_data(filepath): '''根据路径按行读取文件, 参数filepath:文件的绝对路径 @param filepath: 读取文件的路径 @return: 按\t分割后的每行的数据列表 ''' fin = open (filepath, 'r' ) for line in fin: try : line = line[: - 1 ] if not line: continue except : continue try : fields = line.split( "\t" ) except : continue # 抛出当前行的分割列表 yield fields fin.close() |
使用yield关键字,每次抛出单个行的分割数据,这样在调度程序中可以用for fields in read_file_data(fpath)
的方式读取每一行。
映射到模型之方法1:使用配置好的字典模式,装配读取的数据列表
这种方法配置一个{“字段名”: 字段位置}的字典作为数据模式,然后按照该模式装配读取的列表数据,最后实现用字典的方式访问数据。
所使用的函数:
1
2
3
4
5
6
7
8
9
10
11
|
@staticmethod def map_fields_dict_schema(fields, dict_schema): """根据字段的模式,返回模式和数据值的对应值;例如 fields为['a','b','c'],schema为{'name':0, 'age':1},那么就返回{'name':'a','age':'b'} @param fields: 包含有数据的数组,一般是通过对一个Line String通过按照\t分割得到 @param dict_schema: 一个词典,key是字段名称,value是字段的位置; @return: 词典,key是字段名称,value是字段值 """ pdict = {} for fstr, findex in dict_schema.iteritems(): pdict[fstr] = str (fields[ int (findex)]) return pdict |
有了该方法和之前的方法,可以用以下的方式读取数据:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
# coding:utf8 """ @author: www.crazyant.net 测试使用字典模式加载数据列表 优点:对于多列文件,只通过配置需要读取的字段,就能读取对应列的数据 缺点:如果字段较多,每个字段的位置配置,较为麻烦 """ import file_util import pprint # 配置好的要读取的字典模式,可以只配置自己关心的列的位置 dict_schema = { "userid" : 0 , "username" : 1 , "usertype" : 2 } for fields in file_util.FileUtil.read_file_data( "userfile.txt" ): # 将字段列表,按照字典模式进行映射 dict_fields = file_util.FileUtil.map_fields_dict_schema(fields, dict_schema) pprint.pprint(dict_fields) |
输出结果:
1
2
3
4
5
6
7
8
9
10
11
12
|
{ 'userid' : '1' , 'username' : 'name1' , 'usertype' : '0' } { 'userid' : '2' , 'username' : 'name2' , 'usertype' : '1' } { 'userid' : '3' , 'username' : 'name3' , 'usertype' : '2' } { 'userid' : '4' , 'username' : 'name4' , 'usertype' : '3' } { 'userid' : '5' , 'username' : 'name5' , 'usertype' : '4' } { 'userid' : '6' , 'username' : 'name6' , 'usertype' : '5' } { 'userid' : '7' , 'username' : 'name7' , 'usertype' : '6' } { 'userid' : '8' , 'username' : 'name8' , 'usertype' : '7' } { 'userid' : '9' , 'username' : 'name9' , 'usertype' : '8' } { 'userid' : '10' , 'username' : 'name10' , 'usertype' : '9' } { 'userid' : '11' , 'username' : 'name11' , 'usertype' : '10' } { 'userid' : '12' , 'username' : 'name12' , 'usertype' : '11' } |
映射到模型之方法2:使用配置好的列表模式,装配读取的数据列表
如果需要读取文件所有列,或者前面的一些列,那么配置字典模式优点复杂,因为需要给每个字段配置索引位置,并且这些位置是从0开始完后数的,属于低级劳动,需要消灭。
列表模式应命运而生,先将配置好的列表模式转换成字典模式,然后按字典加载就可以实现。
转换模式,以及用按列表模式读取的代码:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
@staticmethod def transform_list_to_dict(para_list): """把['a', 'b']转换成{'a':0, 'b':1}的形式 @param para_list: 列表,里面是每个列对应的字段名 @return: 字典,里面是字段名和位置的映射 """ res_dict = {} idx = 0 while idx < len (para_list): res_dict[ str (para_list[idx]).strip()] = idx idx + = 1 return res_dict @staticmethod def map_fields_list_schema(fields, list_schema): """根据字段的模式,返回模式和数据值的对应值;例如 fields为['a','b','c'],schema为{'name', 'age'},那么就返回{'name':'a','age':'b'} @param fields: 包含有数据的数组,一般是通过对一个Line String通过按照\t分割得到 @param list_schema: 列名称的列表list @return: 词典,key是字段名称,value是字段值 """ dict_schema = FileUtil.transform_list_to_dict(list_schema) return FileUtil.map_fields_dict_schema(fields, dict_schema) |
使用的时候,可以用列表的形式配置模式,不需要配置索引更加简洁:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
# coding:utf8 """ @author: www.crazyant.net 测试使用列表模式加载数据列表 优点:如果读取所有列,用列表模式只需要按顺序写出各个列的字段名就可以 缺点:不能够只读取关心的字段,需要全部读取 """ import file_util import pprint # 配置好的要读取的列表模式,只能配置前面的列,或者所有咧 list_schema = [ "userid" , "username" , "usertype" ] for fields in file_util.FileUtil.read_file_data( "userfile.txt" ): # 将字段列表,按照字典模式进行映射 dict_fields = file_util.FileUtil.map_fields_list_schema(fields, list_schema) pprint.pprint(dict_fields) |
运行结果和字典模式的完全一样。
file_util.py全部代码
以下是file_util.py中的全部代码,可以放在自己的公用类库中使用
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
|
# -*- encoding:utf8 -*- ''' @author: www.crazyant.net @version: 2014-12-5 ''' class FileUtil( object ): '''文件、路径常用操作方法 ''' @staticmethod def read_file_data(filepath): '''根据路径按行读取文件, 参数filepath:文件的绝对路径 @param filepath: 读取文件的路径 @return: 按\t分割后的每行的数据列表 ''' fin = open (filepath, 'r' ) for line in fin: try : line = line[: - 1 ] if not line: continue except : continue try : fields = line.split( "\t" ) except : continue # 抛出当前行的分割列表 yield fields fin.close() @staticmethod def transform_list_to_dict(para_list): """把['a', 'b']转换成{'a':0, 'b':1}的形式 @param para_list: 列表,里面是每个列对应的字段名 @return: 字典,里面是字段名和位置的映射 """ res_dict = {} idx = 0 while idx < len (para_list): res_dict[ str (para_list[idx]).strip()] = idx idx + = 1 return res_dict @staticmethod def map_fields_list_schema(fields, list_schema): """根据字段的模式,返回模式和数据值的对应值;例如 fields为['a','b','c'],schema为{'name', 'age'},那么就返回{'name':'a','age':'b'} @param fields: 包含有数据的数组,一般是通过对一个Line String通过按照\t分割得到 @param list_schema: 列名称的列表list @return: 词典,key是字段名称,value是字段值 """ dict_schema = FileUtil.transform_list_to_dict(list_schema) return FileUtil.map_fields_dict_schema(fields, dict_schema) @staticmethod def map_fields_dict_schema(fields, dict_schema): """根据字段的模式,返回模式和数据值的对应值;例如 fields为['a','b','c'],schema为{'name':0, 'age':1},那么就返回{'name':'a','age':'b'} @param fields: 包含有数据的数组,一般是通过对一个Line String通过按照\t分割得到 @param dict_schema: 一个词典,key是字段名称,value是字段的位置; @return: 词典,key是字段名称,value是字段值 """ pdict = {} for fstr, findex in dict_schema.iteritems(): pdict[fstr] = str (fields[ int (findex)]) return pdict |
总结
以上就是这篇文章的全部内容了,希望本文的内容对大家学习或者使用python能有一定的帮助,如果有疑问大家可以留言交流。
原文链接:http://www.crazyant.net/1707.html