Python之字符编码与文件操作

小程序：扫一扫查出行
【扫一扫了解最新限行尾号】
复制小程序

目录

字符编码

Python2和Python3中字符串类型的差别

文件操作

文件操作的方式

文件内光标的移动

文件修改

字符编码

什么是字符编码？

'''

字符编码就是制定的一个将人类的语言的字符与二进制数据一一对应地翻译过来的标准。

'''

字符编码的发展史与分类：

计算机最早的字符编码为ASCII，只规定了英文字母、数字和一些特殊字符与数字一一对应关系。最多只能用8位来表示一字节（0~255），即2**8-1=255。但是由于不能语言的人的需要，ASCII是不能适用所有人的需求的，因此有了不同类型的字符编码，如中文的字符编码就是GBK。而要表示中文，只用一个字节是不够的，解决办法就是一个字符占更多的bit。在GBK中，一个中文字符占两个字节，而一个英文字符只占一个字节。其他国家也有自己制定的字符编码，但是问题是如果在一个文档里同时用好几种语言，那么就会出现乱码，所以需要unicode。

unicode是只认字符的，用两个字节代表一个字符，生僻字要用四个字节。unicode虽然是万国码，能解决不语言的表达问题，但是无法兼容之前的已用其他字符编码编写的文件。于是unicode被逼无奈只能加入其他字符编码的转换、兼容功能（现在内存中的编码固定就是unicode）。

一切看起来都完美了，只等大家慢慢放弃使用那些其他字符编码。但是unicode也没停止改进。unicode的问题是无论是什么字符它都用两个字节保存，因为英文字母、数字及一些特殊字符是可以用一个字节表示的，这样就徒增了I/O次数，效率变低了。所以出了unicode的升级版，utf-8。

总结：

1.保证不乱码的根本方法就是：按照哪种字符编码编写的就用那种字符编码解码。

2.内存中所有字符都是unicode编码。

Python2和Python3中字符串类型的差别

一Python2中有两种字符串类型str和unicode：

str类型

当Python解释器执行到产生字符串的代码上时，会申请新的内存地址，将编码成文件头制定的编码格式。

想看该字符串在内存中的真实格式，可以放到列表中再打印，不要直接打印，因为直接print会自动转换编码，这是python的优化机制。

内存中数据通常使用16进制表示，一个字节GBK需要两个bytes，存一个英文需要一个bytes。那么是怎样区分中英文呢？原来GBK会用每个bytes的第一位作为标志，第一位是1则表示是中文字符，如果是0则表示是个英文字符。也就是说，GBK每个bytes留给我们真正存值的有效位数只有七位，而unicode中存放的只是这有效的七位，至于首位的标识符与具体的编码有关。

unicode类型

当Python解释器执行到产生unicode编码的字符串的代码时，会申请新的内存地址，然后以unicode的格式存放在内存空间，所以该字符串只能用于编码而不用于解码。

二Python3中的两种字符串类型：

str类型是unicode的，在Python3中的bytes类型在Python2中是str类型。

文件操作

计算机系统分为三大部分：应用程序、操作系统、计算机硬件。

我们要是想把数据永久保存下来就必须保存在硬盘，但是应用程序是无法直操作硬件的。计算机操作系统把复杂的硬件封装成简单的接口给用户或操作系统用，其中的文件就是操作系统提供给应用程序来操作硬盘的虚拟概念。有了文件的概念，我们就无需考虑操作硬盘的细节而只需要关注操作文件的流程：

#1.打开文件，得到文件句柄并赋值给一个变量

#2.通过句柄操作文件

#3.关闭文件

'''

文件句柄就是文件描述符，在文件I/O中想要读取文件的数据，应用程序首先要调用操作系统函数并传送文件名，并选一个到该文件的路径打开文件。该函数取回一个顺序号就是文件句柄，该文件句柄
是打开文件的唯一标识符。

'''

值得注意的是：

每打开一个文件都占用了操作系统和应用程序两方资源。每打开一个文件操作系统都会给文件一个编号（文件描述符），完成之后就要回收资源，顺序是先回收系统级资源再回收应用程序级资源。在python中应用级资源不写回收的del f也没关系，因为python有自动回收机制，但是要记得系统级资源回收。

如果实在不记得回收，那最好用这种方式操作文件：

 with open('a.txt','w') as f:

     pass

 with open('a.txt','r') as f1,open('b.txt','w') as f2:

     data=f1.read()

     f2.write(data)

文件操作的方式

f.read() #读取所有内容,光标移动到文件末尾

f.readline() #读取一行内容,光标移动到第二行首部

f.readlines() #读取每一行内容,存放于列表中

f.write('1111\n222\n') #针对文本模式的写,需要自己写换行符

f.write('1111\n222\n'.encode('utf-8')) #针对b模式的写,需要自己写换行符

f.writelines(['333\n','444\n']) #文件模式

f.writelines([bytes('333\n',encoding='utf-8'),'444\n'.encode('utf-8')]) #b模式

f.readable() #文件是否可读

f.writable() #文件是否可读

f.closed #文件是否关闭

f.encoding #如果文件打开模式为b,则没有该属性

f.flush() #立刻将文件内容从内存刷到硬盘

f.name

示例：

#rb模式

# f=open(r'a.txt','rb')

# print(f.readable())#判断是否可读

# f.close()

# with open('a.txt','rb') as f:

#     for line in f:

#         print(line)#循环文件内容

# with open(r'a.txt','rb') as f:

#     print(f.read())

#     print(type(f.read()))

# with open('a.txt','rb') as f1,\

# open('1.jpg','rb') as f2:

#     data=f1.read()

#     print(data,type(data))

#     print(data.decode('utf-8'))

#

#     data2=f2.read()

#     print(data2)

#     print(type(data2))

#ab模式

# with open('a.txt','ab') as f:

#     f.write('你好\n这里是一个小测试。\n为了测试追加模式'.encode('utf-8'))

#wb模式

# with open('a.txt','wb') as f:

#     f.write('在弗兰德斯的战场上\n罂粟花随风飘扬\n一朵又一朵地在殇者的十字架间绽放'.encode('utf-8'))

# f.close()

# f=open(r'a.txt','wb')

# print(f.writable())

# f.close()

#rt模式

# f=open('b.txt','r',encoding='utf-8')

# print(f.read())#第一种循环方式

# f.close()

# f=open('b.txt','r',encoding='utf-8')

# for line in f:

#     print(line,end='')#第二种循环

# f.close()

# f=open('b.txt','r',encoding='utf-8')

# print(f.readlines())

# f.close()

#wt模式

# with open('a.txt','w',encoding='utf-8') as f,\

# open('t.txt','w',encoding='utf-8') as f1:

#     print(f.writable())

# f=open('a.txt','w',encoding='utf-8')

# f.writelines(['在弗兰德斯的战场\n','罂粟花随风飘扬\n','一朵又一朵\n','绽放在殇者的十字架之间'])

# f.close()

# f=open('a.txt','w',encoding='utf-8')

# f.write('这是一个长字符串，\n想换行要用转义符，\n转义成功了吗？')

# f.close()

#at追加模式

# f=open('a.txt','a',encoding='utf-8')

# f.write('\n在弗兰德斯的战场\n罂粟花随风飘扬\n一朵又一朵\n绽放在殇者的十字架之间')

# f.close()

注意：

b模式、t模式都是不能单独使用的，必须是配合的rb/t、wb/t、ab/t。

b模式是以bytes为单位的，t模式是以字符为单位的。

b模式下不能指定字符编码。

文件内光标的移动

一: read(3)：

1. 文件打开方式为文本模式时，代表读取3个字符

2. 文件打开方式为b模式时，代表读取3个字节

二: 其余的文件内光标移动都是以字节为单位如seek，tell，truncate

注意：

1. seek有三种移动方式0，1，2，其中1和2必须在b模式下进行，但无论哪种模式，都是以bytes为单位移动的

2. truncate是截断文件，所以文件的打开方式必须可写，但是不能用w或w+等方式打开，因为那样直接清空文件了，所以truncate要在r+或a或a+等模式下测试效果

文件修改

文件是存在硬盘上的，因此不存在文件修改，而是文件覆盖。我们平时看到的修改只是模拟出来的效果。

具体方式：

一.将文件读到内存，在内存中修改，保存时再由内存覆盖硬盘。

with open('a.txt','r',encoding='utf-8') as f:

    data=f.read()

    data=data.replace('我曾是少年','我也曾是少年')

with open('a.txt','w',encoding='utf-8') as f:

    f.write(data)

二：将文件一行一行读入内存，在内存中修改，修改完写入新文件，保存时用新文件覆盖旧文件。

import os

with open('a.txt','r',encoding='utf-8') as f,\

open('b.txt','w',encoding='utf-8') as fb:

     for line in f:

        if '我也曾是少年' in line:

            line=line.replace('我也曾是少年','昨日，我也曾是少年')

        fb.write(line)

os.remove('a.txt')

os.rename('b.txt','a.txt')