前言
我们从网上爬取数据，最后一步会考虑如何存储数据。如果数据量不大，往往不会选择存储到数据库，而是选择存储到文件中，例如文本文件、CSV 文件、xls 文件等。因为文件具备携带方便、查阅直观。
Python 作为胶水语言，搞定这些当然不在话下。但在写数据过程中，经常因数据源中带有中文汉字而报错。最让人头皮发麻的编码问题。
我先说下编码相关的知识。编码方式有很多种：UTF-8, GBK, ASCII 等。
ASCII 码是美国在上个世纪 60 年代制定的一套字符编码。主要是规范英语字符和二进制位之间的关系。英语词汇组成简单，由 26 个字母构成。使用一个字节就能表示一个字母符号。外加各种符号，使用 128 个字符就满足编码要求。
不同国家有不同语言文字。同时，文字组成部分的数量相比英语字母要多很多。根据不完全统计，汉字的数量大约将近 10 万个，日常所使用的汉字有 3000 个。显然，ASCII 编码无法满足需求。所以汉字采用 GBK 编码，使用两个字节表示一个汉字。简体中文的编码方式是 GBK2312。
那 UTF-8 又是什么编码？这要先说 Unicode 了。Unicode 目的是为了统一各种编码。因为各国都各自的编码方式。如果使用一种编码编码，使用另一种编码解码。这会造成出现乱码的情况。但 Unicode 只是一个符号集，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。UTF-8 就是在互联网上使用最广的一种 Unicode 的实现方式。
因此，如果我们要写数据到文件中，最好指定编码形式为 UTF-8。
Python 标准库中，有个名为 csv 的库，专门处理 csv 的读写操作。
Python csv模块封装了常用的功能，使用的简单例子如下:
|
1
2
3
4
5
6
7
8
9
10
11
12
|
# 读取csv文件import csvwith open('some.csv', 'rb') as f: # 采用b的方式处理可以省去很多问题reader = csv.reader(f)for row in reader:# do something with row, such as row[0],row[1]import csvwith open('some.csv', 'wb') as f: # 采用b的方式处理可以省去很多问题writer = csv.writer(f)writer.writerows(someiterable) |
具体使用实例如下：
|
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
|
import csvimport codecs# codecs 是自然语言编码转换模块fileName = 'PythonBook.csv'# 指定编码为 utf-8, 避免写 csv 文件出现中文乱码with codecs.open(fileName, 'w', 'utf-8') as csvfile: # 指定 csv 文件的头部显示项 filednames = ['书名', '作者'] writer = csv.DictWriter(csvfile, fieldnames=filednames) books = [] book = { 'title': '笑傲江湖', 'author': '金庸', } books.append(book) writer.writeheader() for book in books: try: writer.writerow({'书名':book['title'], '作者':book['author']}) except UnicodeEncodeError: print("编码错误, 该数据无法写到文件中, 直接忽略该数据") |
这种方式是逐行往 CSV 文件中写数据， 所以效率会比较低。如果想批量将数据写到 CSV 文件中，需要用到 pandas 库。
pandas 是第三方库，所以使用之前需要安装。通过 pip 方式安装是最简单、最方便的。
pip install pandas
使用 pandas 批量写数据的用法如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
import pandas as pdfileName = 'PythonBook.csv'number = 1books = []book = { 'title': '笑傲江湖', 'author': '金庸',}# 如果 book 条数足够多的话，pandas 会每次往文件中写 50 条数据。books.append(book)data = pd.DataFrame(books)# 写入csv文件,'a+'是追加模式try: if number == 1: csv_headers = ['书名', '作者'] data.to_csv(fileName, header=csv_headers, index=False, mode='a+', encoding='utf-8') else: data.to_csv('fileName, header=False, index=False, mode='a+', encoding='utf-8') number = number + 1except UnicodeEncodeError: print("编码错误, 该数据无法写到文件中, 直接忽略该数据") |
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的学习或者工作具有一定的参考学习价值，如果有疑问大家可以留言交流，谢谢大家对服务器之家的支持。
原文链接：https://mp.weixin.qq.com/s/66PJmbQemrdCOfqv-GrFLQ
