Python数据处理(一)：处理 JSON、XML、CSV 三种格式数据

Python 数据处理系列博客来啦！
本系列将以《Python数据处理》这本书为基础，以书中每章一篇博客的形式带大家一起学习 Python 数据处理。书中有些地方讲的不太详细，我会查阅其他资料来补充，力争每篇博客都把知识点涵盖全且通俗易懂。
这本书主要讲了如何用 Python 处理各种类型的文件，如 JSON、XML、CSV、Excel、PDF 等。后面几章还会讲数据清洗、网页抓取、自动化和规模化等使用技能。我也是 Python 初学者，将以初学者的角度写文章，所以博客对初学者比较友好。

前言
以易于机器理解的方式来存储数据的文件格式，通常被称作机器可读的 (machine readable)。常见的机器可读格式包括:

逗号分隔值(Comma-Separated Values，CSV)
JavaScript 对象符号(JavaScript Object Notation，JSON)
可扩展标记语言(eXtensible Markup Language，XML)

在口语和书面语中，提到这些数据格式时通常使用它们的短名字(如 CSV)。 我们将使用这些缩写 。
一、CSV数据
CSV 文件(简称为 CSV)是指将数据列用逗号分隔的文件。文件的扩展名是 .csv。
另一种数据类型，叫作制表符分隔值(tab-separated values，TSV)数据，有时也与 CSV归为一类。TSV 与 CSV 唯一的不同之处在于，数据列之间的分隔符是制表符(tab)，而不是逗号。文件的扩展名通常是 .tsv，但有时也用 .csv 作为扩展名。从本质上来看，.tsv 文件与 .csv 文件在Python 中的作用是相同的。
我们采用的数据源是从世界卫生组织（www.who.int/zh/home）中下载…
打开世卫组织官网后，点击“健康主题”，“数据和统计” 就能找到很多数据。

这里下载了关于婴幼儿护理的统计数据，并重命名为 data.csv。
csv 文件可以直接用 Excel 打开直观的看到，我们用 Excel 打开如下图：

接下来就要用 Python 来简单的处理这些数据。
以列表的形式读取csv数据
编写一个读取 csv 文件的程序：

import csv

csvfile = open('./data.csv', 'r')
reader = csv.reader(csvfile)

for row in reader:
    print(row)

import csv 将导入 Python 自带的 csv 模块。csvfile = open('./data.csv', 'r') 以只读的形式打开数据文件并存储到变量 csvfile 中。然后调用 csv 的 reader() 方法将输出保存在 reader 变量中，再用 for 循环将数据输出。
运行程序，控制台输出：

可以看到跟 Excel 打开的内容一致。
以字典的形式读取csv数据
改一下代码，以字典的形式读取 csv

import csv

csvfile = open('./data.csv', 'r')
reader = csv.DictReader(csvfile)

for row in reader:
    print(row)

控制台输出：

二、JSON数据
同样在世卫组织官网下载数据源，重命名为 data.json。用格式化工具打开 json 文件如下：

编写程序对 json 进行解析

import json

# 将 json 文件读取成字符串
json_data = open('./data.json').read()
# 对json数据解码
data = json.loads(json_data)
# data 的类型是 字典dict
print(type(data))
# 直接打印 data
print(data)
# 遍历字典
for k, v in data.items():
    print(k + ':' + str(v))

控制台输出：

Python3 中可以使用 json 模块来对 JSON 数据进行编解码，它包含了两个函数：

json.dumps(): 对数据进行编码。
json.loads(): 对数据进行解码。

在json的编解码过程中，python 的原始类型与json类型会相互转换，具体的转化对照如下：
Python 编码为 JSON 类型转换对应表：

JSON 解码为 Python 类型转换对应表：

三、XML 数据
XML 格式的数据既便于机器读取，也便于人工读取。但是对于本章的数据集来说，预览并理解 CSV 文件和 JSON 文件要比 XML 文件容易得多。
xml 格式说明：

Tag： 使用<和>包围的部分；
Element：被Tag包围的部分，如 2003，可以认为是一个节点，它可以有子节点；
Attribute：在Tag中可能存在的 name/value 对，如示例中的 title="Enemy Behind"，一般表示属性。

世卫组织的数据不好理解，咱们用个简单的能看得懂的电影数据来做演示：

<?xml version="1.0" encoding="UTF-8"?>
<collection shelf="New Arrivals">
    <movie title="Enemy Behind">
        <type>War, Thriller</type>
        <format>DVD</format>
        <year>2003</year>
        <rating>PG</rating>
        <stars>10</stars>
        <description>Talk about a US-Japan war</description>
    </movie>
    <movie title="Transformers">
        <type>Anime, Science Fiction</type>
        <format>DVD</format>
        <year>1989</year>
        <rating>R</rating>
        <stars>8</stars>
        <description>A schientific fiction</description>
    </movie>
    <movie title="Trigun">
        <type>Anime, Action</type>
        <format>DVD</format>
        <episodes>4</episodes>
        <rating>PG</rating>
        <stars>10</stars>
        <description>Vash the Stampede!</description>
    </movie>
    <movie title="Ishtar">
        <type>Comedy</type>
        <format>VHS</format>
        <rating>PG</rating>
        <stars>2</stars>
        <description>Viewable boredom</description>
    </movie>
</collection>

这个数据相对来说比较简单，只有三层。但原理掌握了，几层数据都能搞定。
下面编写代码对上面的 xml 进行解析，解析之后再分别格式化成字典和 json 格式的数据输出：

from xml.etree import ElementTree as ET
import json

tree = ET.parse('./resource/movie.xml')
root = tree.getroot()

all_data = []

for movie in root:
    # 存储电影数据的字典
    movie_data = {}
    # 存储属性的字典
    attr_data = {}

    # 取出 type 标签的值
    movie_type = movie.find('type')
    attr_data['type'] = movie_type.text

    # 取出 format 标签的值
    movie_format = movie.find('format')
    attr_data['format'] = movie_format.text

    # 取出 year 标签的值
    movie_year = movie.find('year')
    if movie_year:
        attr_data['year'] = movie_year.text

    # 取出 rating 标签的值
    movie_rating = movie.find('rating')
    attr_data['rating'] = movie_rating.text

    # 取出 stars 标签的值
    movie_stars = movie.find('stars')
    attr_data['stars'] = movie_stars.text

    # 取出 description 标签的值
    movie_description = movie.find('description')
    attr_data['description'] = movie_description.text

    # 获取电影名字，以电影名为字典的键，属性信息为字典的值
    movie_title = movie.attrib.get('title')
    movie_data[movie_title] = attr_data
    # 存入列表中
    all_data.append(movie_data)

print(all_data)
# all_data 此时是一个列表对象，用 json.dumps() 将python对象转换为 json 字符串
json_str = json.dumps(all_data)
print(json_str)

注释写的比较详细，下面介绍下 ElementTree 提供的方法。
3.1 解析的三种方法
ElementTree 解析 xml 有三种方法：

调用parse()方法，返回解析树

tree = ET.parse('./resource/movie.xml')
root = tree.getroot()

调用from_string(),返回解析树的根元素

data = open('./resource/movie.xml').read()
root = ET.fromstring(data)

调用 ElementTree 类的 ElementTree(self, element=None, file=None) 方法

tree = ET.ElementTree(file="./resource/movie.xml")
root = tree.getroot() 

3.2 Element 对象
class xml.etree.ElementTree.Element(tag, attrib={}, **extra)
Element 对象的属性

tag: 标签
text: 去除标签，获得标签中的内容。
attrib: 获取标签中的属性和属性值。
tail: 这个属性可以用来保存与元素相关联的附加数据。它的值通常是字符串，但可能是特定于应用程序的对象。

Element 对象的方法

clear()：清除所有子元素和所有属性，并将文本和尾部属性设置为None。

get(attribute_name, default=None)：通过指定属性名获取属性值。

items()：以键值对的形式返回元素属性。

keys()：以列表的方式返回元素名。

set(attribute_name,attribute_value)：在某标签中设置属性和属性值。

append(subelement)：将元素子元素添加到元素的子元素内部列表的末尾。

extend(subelements)：追加子元素。

find(match, namespaces=None)：找到第一个匹配的子元素，match可以是标签名或者path。返回Elememt实例或None。

findall(match, namespaces=None)：找到所有匹配的子元素，返回的是一个元素列表。

findtext(match, default=None, namespaces=None)：找到匹配第一个子元素的文本。返回的是匹配元素中的文本内容。

getchildren()：Python3.2后使用 list(elem) 或 iteration.

getiterator(tag=None)：Python3.2后使用 Element.iter()

iter(tag=None)：以当前元素为根创建树迭代器。迭代器遍历这个元素和它下面的所有元素(深度优先级)。如果标签不是None或’*’，那么只有标签等于标签的元素才会从迭代器返回。如果在迭代过程中修改树结构，则结果是未定义的。

iterfind(match, namespaces=None)： 匹配满足条件的子元素，返回元素。

3.3 ElementTree 对象
class xml.etree.ElementTree.ElementTree(element=None, file=None)
ElementTree是一个包装器类，这个类表示一个完整的元素层次结构，并为标准XML的序列化添加了一些额外的支持。

setroot(element)：替换根元素，原来的根元素中的内容会消失。

find(match, namespaces=None)：从根元素开始匹配和 Element.find()作用一样。

findall(match, namespaces=None)：从根元素开始匹配和 Element.findall()作用一样。

findtext(match, default=None, namespaces=None)：从根元素开始匹配和 Element.findtext()作用一样。

getiterator(tag=None)：Python3.2后使用 ElementTree.iter() 代替。

iter(tag=None)：迭代所有元素

iterfind(match, namespaces=None)：从根元素开始匹配和 Element.iterfind()作用一样。

parse(source, parser=None)：解析xml文本，返回根元素。

write(file, encoding=”us-ascii”, xml_declaration=None, default_namespace=None, method=”xml”, *, short_empty_elements=True)：写出XML文本。

对 JSON、XML、CSV三种格式数据的处理就讲完啦，下期讲如何处理 Excel 文件，欢迎关注。