50. Python 数据处理（1）

今天开始往后都，用python3来写脚本

1.csv数据处理

csv文件格式：

逗号分隔符（csv），有时也称为字符分隔值，因为分隔字符也可以不是逗号，其文件以纯文本的形式存储表格数据（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割；每条记录由字段组成，字段间的分隔符是其他字符或字符串，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。

csv数据，如以下格式：

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

另外，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。

平常我们取文件内的数据存入列表一般用以下方法：

import codecs
lineText = list()
with codecs.open("sl_original_live.csv",encoding="utf-8") as f:
    for line in f.readlines():
        print (line.split(","))			#以列表形式，打印每一行的数据。
        lineText.append(line.split(","))
    print (lineText)				#把上面所有行作为元素数据，存入一个列表中。

csv模块用法，使用模块来处理数据:

import codecs
import csv
fileName = "sl_original_live.csv"
with codecs.open(fileName) as fcsv:
    linecsv = csv.reader(fcsv)
    rows = [row for row in linecsv]
    print (rows)

以上了解即可。

2.excel数据处理

python 提供有第三方库来支持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.

我们主要用xlrd、xlwt、xluntils这三个模块，pyExcelerator模块偶尔也会用：

pip install xlrd
pip install xlwt
pip install xlutils
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;

xluntils 可以在已有的excel文件上进行修改;

pyExcelerator 与xlwt类似，也可以用来生成excel文件

读取表单数据：

举例：按行取数据

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
        
if __name__ == '__main__':
    readExcel()

举例：按竖列取数据

import xlrd
data = xlrd.open_workbook("whsc.xlsx")
table2 = data.sheet_by_name("域名")  		#sheet标签页的名称
for col in range(table2.ncols):
    print (table2.col_values(col))

举例：创建新的并写入excel文件（xlwt无法修改原有文件）

import xlwt
excel = xlwt.Workbook()
#创建3个表
sheet1 = excel.add_sheet("sheet1")
sheet2 = excel.add_sheet("sheet2")
sheet3 = excel.add_sheet("sheet3")
#只在第一个表sheet1里写数据，如下：
sheet1.write(0,0,"hello world1", cell_overwrite_ok=True)
sheet1.write(1,0,"hello world2", cell_overwrite_ok=True)
sheet1.write(2,0,"hello world3", cell_overwrite_ok=True)
#第一个是行，第二个是列，第三个是内容，第二个参数用来确认同一个cell单元是否可以重设值。
excel.save("hello.xlsx")
print("创建hello.xlsx完成")

效果如下：

举例：字体效果

使用样式，字体类型、加粗等效果：

import xlwt
excel = xlwt.Workbook()
#创建3个表
sheet1 = excel.add_sheet("sheet1")
sheet2 = excel.add_sheet("sheet2")
sheet3 = excel.add_sheet("sheet3")
#初始化样式
style = xlwt.XFStyle()
#为样式创建字体
font = xlwt.Font()
font.name = 'Times New Roman'	#指定字体名称
font.bold = True				#是否加粗
#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
excel.save('hello.xlsx')
print('创建hello.xlsx文件完成!')

效果如下：

举例：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)
    #{0}.txt是要链接的文件，{1}_11111是链接文件的内容
    sheet_index.write(i, 0, xlwt.Formula(link))
    #第一个行号，第二个列号，第三个是写入内容link，内容里面超链接
book.save('simple2.xlsx')
for i in range(0, 9):
    file = str(i) + ".txt"
    with codecs.open(file, 'w') as f:
        f.write(str(i)*10)

效果如下：

3.html文件转化成pdf文件

转换成pdf的三种方法：

在工作中，会遇到把html文件转换成pdf文件

python给我们提供了pdfkit这个模块，直接安装使用就可以了

下面就下来介绍一个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. 字符串转换成pdf

import pdfkit
pdfkit.from_string('Hello lingxiangxiang!', 'out3.pdf')

三种方法简单例子：

import pdfkit
pdfkit.from_file("hello.html", 1.pdf)
pdfkit.from_url("www.baidu.com", 2.pdf)
pdfkit.from_string("hello world", 3.pdf)

即可生成pdf文件~

举例：

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

（1）查看网页源代码

（2）查看源代码内容

和url对应规律

http://www.apelearn.com/study_v2/chapter2.html

http://www.apelearn.com/study_v2/chapter5.html

http://www.apelearn.com/study_v2/chapter7.html

... ...

通过 https://regex101.com/ 正则网站，把需要的字段给过滤出来

代码如下（未封装，回头有空封装一下）：

import os
import re
import pdfkit
import requests

if not os.path.exists("aminglinux"):
    os.mkdir("aminglinux")

os.chdir("aminglinux")

url = "http://www.apelearn.com/study_v2/"
s = requests.session()
text = s.get(url).text
reg = re.compile(r'<li class=\"toctree-l1\"><a class=\"reference internal\" href=\"(.*)\">.*<\/a><\/li>')
result = reg.findall(text)
res = list(set(result))

for i in res:
    purl = "{0}{1}".format(url, i)
    print (purl)
    pdfFileName = i.replace("html", "pdf")
    print (pdfFileName)
    config = pdfkit.configuration(wkhtmltopdf=r"C:\Program Files\wkhtmltopdf\bin\wkhtmltopdf.exe")
    try:
        pdfkit.from_url(purl, pdfFileName, configuration=config)
    except:
        continue

执行结果：