Python1024办公自动化系列

在Python1024的基础篇中，我们已经介绍过文件管理和文本文件的读写。

在路径处理方面，Python3.6版本后，建议采用pathlib，它采用面向对象封装接口，使用起来比os.path更人性化。

在学习后续章节前，有必要先介绍几个基本的概念，方便后续的理解。

1、常见文件格式

文本文件其实是一种特殊的二进制文件，它约定了以字符格式的读取方式，字符符合ASCII或UNICODE等编码标准。因为文本文件太通用、太特殊（字符形式）了，我们把它单独列出对待。

其他二进制文件则随应用的不同，有各式各样的读写规则。比如：

PDF（Portable Document Format）文件，定义了一种独立于应用程序、硬件、操作系统的方式呈现文档的文件格式。它内部包含了大量类型的子元素，通过索引的方式嵌入在不同的位置。只有符合其规范的软件，才能读取，甚至修改PDF文件。PDF文件格式标准由Adobe定义：参考官网。
微软2007版本之后的Office文件，比如docx、pptx、xlsx，属于OpenXML文件格式。它是由微软开发的基于XML和ZIP压缩技术的文件规范，并于2008年正式成为国际标准。可以用解压缩软件打开这类文件，就能看到其内部结构。目前除了微软Office软件，我们也可以通过金山WPS、OpenOffice等软件打开其文档。
图像文件的格式非常多，根据压缩算法不同，会设计不同的文件格式，比如：JPEG、TIFF、RAW、BMP、GIF、PNG。归根到底，图像代表的是色彩数据，是整块的内容，而描述其数据结构的，是文件头部信息。
音频文件，保存的是声音信号的数字化，和图像一样，文件不同主要源于压缩算法的不同。我们常见的音频文件格式如：MP3、WAV、AAC、FLAC等，声音信号被数字化后保存在数据块中，同时由文件头描述数据块。关键信息如采样率、比特率、声道数。采样率是时间相关的概念，即每秒收集多少次声音样本信息。
视频文件，保存的是图像和音频的合集，即视频文件可以拆分为视频和音频，其中视频是图像的合集，每秒钟有多少张图像，就是它的FPS帧率，帧率决定了视频的流畅度。此外，每张图像的分辨率多大，决定了它的清晰度，比如我们常说的720P代表1280×720的分辨率，1080P就是1920×1080的分辨率，即代表用1920×1080个像素点来表达一张图片信息。所以，视频文件尤其大，根据压缩算法的不同，常见的文件格式如：MP4、MOV、FLV、WMV、WEBM等。

当然，除了上面这些文件格式外，我们还可以定义自己的格式，只要定义的格式，能被对应软件支持打开和写入即可。换句话说，如果你定义的文件格式，没人写出软件去支持，那就没办法应用。或者，你自己写了软件，但大部分人都不知道，或不想用，那它也就丧失了应用价值。在软件行业向互联网演进过程中，淘汰了大量的软件，才诞生出目前相对稳定的互联网基础设施。

Youtube上有人做了一个视频，呈现了90年代到2020年间最受欢迎浏览器的更替：原地址。

2、文本文件也有分类

文本文件，本质上是用于存储字符的文件。

所有那些以字符保存的文件格式，其实都是文本文件，只不过文本内容还有额外特定含义。

常见的比如：CSV、HTML、XML、JSON、JS、CSS，还有各种语言的代码。

2.1 CSV文件

CSV文件常用于保存数据表格，比如：

姓名, 电话, 地址
张三, 18900000001, 上海
李四, 13800000002, 广州

这就是一个典型的CSV文件，我们可以用文本编辑器打开它，也可以用Excel等软件打开它。如果用Excel软件打开它，Excel会把英文逗号作为分隔符号，提取单元格内容，我们看到的就是一张表格。
Python同样也支持这类文件的读写，通过csv模块：

import pathlib
import csv

path = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/001basic')
csv_path = path.joinpath('hello.csv')
with open(csv_path ,'r') as f:
    f_csv = csv.reader(f)
    headers = next(f_csv)
    for row in f_csv:
        for h, v in zip(headers, row):
            print(f'{h.strip()}: {v.strip()}')

这样就能读出CSV文件中的数据：

姓名: 张三
电话: 18900000001
地址: 上海
姓名: 李四
电话: 13800000002
地址: 广州

2.2 XML文件

XML（eXtensible Markup Language）是为了结构化存储和传输数据而生，是一种标记语言。

<?xml version="1.0" encoding="UTF-8"?>
<mail>
  <to>World</to>
  <from>程一初</from>
  <title>Hello World</title>
  <body>Welcome to Python1024!</body>
</mail>

我们可以自定义标记，一种定义就是一种数据格式。在Python中，有三种处理数据的方式：

DOM（Document Object Model）：文档对象模型，是W3C组织推荐的标准编程接口。它把XML文件映射到内存中，以“树”的数据结构来操作数据。
SAX（simple API for XML）：事件驱动模型，虽然不是标准，但应用广泛。它逐行扫描文档，边扫边解析，这样就不用一下子全装载到内存了。
ElementTree：性能介乎于DOM和SAX之间，使用门槛低。

以ElementTree为例：

import pathlib
import xml.etree.ElementTree as ET

path = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/001basic')
xml_path = path.joinpath('hello.xml')
tree = ET.parse(xml_path)
root = tree.getroot() # 根节点
print('root_tag:', root.tag) # 根标签：mail
for elem in root:
    print(f'{elem.tag}: {elem.text}')

此外，HTML是XML的一个子集，即HTML是一种特殊的XML，它定义了一整套标签规范，比如文字、超链接、表单等，按照这套规范来呈现HTML的应用就是浏览器了。当然，浏览器除了支持HTML，还需要支持JS脚本、CSS样式文件等其他规范。

2.3 JSON文件

相比XML文件格式，JSON文件格式更精简。同样的信息可以用更少的字符表示：

{
    "mail": {
        "to": "World",
        "from": "程一初",
        "title": "Hello World",
        "body": "Welcome to Python1024!"
    }
}

少了对称标记以及<>符号，JSON需要占用更少标记数据，所以它更常被用于互联网应用的数据传输。Python也内置了处理模块json：

import pathlib
import json

path = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/001basic')
json_path = path.joinpath('hello.json')
with open(json_path, 'r') as f:
    data = json.loads(f.read())
print(f'root_tag: {list(data.keys())[0]}')
for k, v in data['mail'].items():
    print(f'{k}: {v}')

2.4 代码文件

代码文件，比如Python代码文件，也是一种文本文件。所以，有一些静态代码检测工具，如pylint、pep8、flake8等，可以读取代码文件后检查编写质量。甚至，你可以编写程序自动生成代码，在自动化测试中用的比较多。
代码文件的读取和其他文本文件一样，都可以用open()函数打开，但是要解析代码文件，就必须用“语法树”来解析，它也提供了对应的ast模块。比如我们写一个简单的Python代码文件，包含一个注释块，以及一行代码：

'''
Author: 程一初
'''
print('hello world!')

然后用语法树解析它：

import pathlib
import ast

path = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/001basic')
py_path = path.joinpath('hello.py')
with open(py_path, 'r') as f:
    node = ast.parse(f.read())
# 获取文档注释
print(ast.get_docstring(node))

class MyVisitor(ast.NodeVisitor):
    # 定义一个遍历代码节点的类
    # 按需重定义generic_visit函数
    def generic_visit(self, node):
        print(node)
        super(MyVisitor, self).generic_visit(node)
v = MyVisitor()
v.visit(node)

会得到这样的结果：

Author: 程一初
<_ast.Module object at 0x118e4e890>
<_ast.Expr object at 0x118ce1b50>
<_ast.Str object at 0x118ce1f90>
<_ast.Expr object at 0x118ce1d90>
<_ast.Call object at 0x118ce1ad0>
<_ast.Name object at 0x118ce1b10>
<_ast.Load object at 0x103ed39d0>
<_ast.Str object at 0x118eb3ed0>

第一行为注释文档，剩下8行为ast内部对象，包括模块、表达式、字符串、函数名、调用等。这里只是举个例子，说明代码文件也是一种特殊的文本文件。平时应用中，我们几乎不会这么去读写代码文件，而是直接用Python解释器来执行代码。

总结

了解什么是文件，就能明白每个文件都有自己的规范，想要处理某类文件，就得先找到符合规范的应用，或者模块。找到模块后，就可以通过结构化的代码来批量处理了。
常见的自动化处理无非就这几种：

批量文件处理，比如某个文件夹下的所有文件统一重命名；
根据提前设定的规则，自动分类处理文件，比如按文件后缀调用不同程序处理；
组成流水线：把重复的工作提炼出标准，把每一步程序化后再组装起来。

Python的魅力，就是能把所有重复的工作，按模块组织起来，形成流水线，一个人发挥N个人的效率。

Python1024自动办公系列，涵盖Python处理文本文件、PDF、Word、Excel、PPT、图像、音频、视频、邮件、企业办公机器人等职场办公实用场景。