50. Python 数据处理（1）

fateame

　　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=\&quot;toctree-l1\&quot;><a class=\&quot;reference internal\&quot; href=\&quot;(.*)\&quot;>.*<\/a><\/li>')
　　
result = reg.findall(text)
　　
res = list(set(result))
　　

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