整合營銷服務商
電腦端+手機端+微信端=數據同步管理
免費咨詢熱線：
電腦端+手機端+微信端=數據同步管理
免費咨詢熱線：
所周知,python最強大的地方在于，python社區匯總擁有豐富的第三方庫，開源的特性，使得有越來越多的技術開發者來完善。
python的完美性。
未來人工智能，大數據方向，區塊鏈的識別和進階都將以python為中心來展開。
咳咳咳！ 好像有點打廣告的嫌疑了。
當前互聯網信息共享時代，最重要的是什么?是數據。最有價值的是什么？是數據。最能直觀體現技術水平的是什么?還是數據。
所以，今天我們要分享的是：如何來獲取各個文件格式的文本信息。
普通文件的格式 一般分為: txt普通文本信息，doc word文檔，html網頁內容，excel表格數據，以及特殊的mht文件。
一、Python處理html網頁信息
html類型的文本數據，內容是由前端代碼書寫的標簽+文本數據的格式，可以直接在chrome瀏覽器打開，清楚 的展示出文本的格式。
python 獲取html文件的內容和獲取txt文件的方法相同，直接打開文件讀取就可以了。
讀取代碼如下:
with open(html_path, "r", encoding="utf-8") as f: file = f.read()
file 是html文件的文本內容。是一個網頁標簽的格式內容。
二、Python處理excel表格信息
python擁有直接操作excel表格的第三方庫xlwt,xlrd。調用對應的方法就可以讀寫excel表格數據。
讀取excel操作代碼如下:
filepath = "C:\\Users\Administrator\Desktop\新建文件夾\笨笨 前程6份 武漢.xls" sheet_name = "UserList" rb = xlrd.open_workbook(filepath) sheet = rb.sheet_by_name(sheet_name) # clox_list = [0, 9, 14, 15, 17] for row in range(1, sheet.nrows): w = WriteToExcel() # for clox in clox_list: name = sheet.cell(row, 0).value phone = sheet.cell(row, 15).value address = sheet.cell(row, 9).value major = sheet.cell(row, 14).value age = sheet.cell(row, 8).value
其中row是表格數據對應的行數， cell獲取具體行數，列數的具體數據。
三、Python讀取doc文檔數據
python讀取doc文檔是最麻煩的。處理邏輯復雜。處理的方式也有很多種。
python 沒有直接處理doc文檔的第三方庫，但是有一個處理docx的第三方庫?？梢酝ㄟ^將doc文件轉換為docx文件，再調用第三方python庫pydocx來讀取doc文檔的內容。
這里需要注意的是,不要直接修改doc的后綴來修改成docx文件。直接通過修改后綴獲取的docx文件，pydocx無法讀取內容。
我們可以使用另外一個庫來修改doc為docx。
具體代碼如下:
def doSaveAas(self, doc_path):
"""
將doc文檔轉換為docx文檔
:rtype: object
"""
docx_path = doc_path.replace("doc", "docx")
word = wc.Dispatch('Word.Application')
doc = word.Documents.Open(doc_path) # 目標路徑下的文件
doc.SaveAs(docx_path, 12, False, "", True, "", False, False, False, False) # 轉化后路徑下的文件
doc.Close()
word.Quit()
代碼所需的包接口:
import os import zipfile from win32com import client as wc import xlrd from bs4 import BeautifulSoup from pydocx import PyDocX from lxml import html from xpath_content import XpathContent from write_to_excel import WriteToExcel
python處理docx文檔的方法有很多種，具體使用情況，根據個人需求來決定。
No.1 解壓docx文件
docx文件的原理，本質上就是一個壓縮的zip文件，通過解壓以后，就可以獲取原來文件的各個內容。
docx解壓后的文件結構如下:
docx文件的文本內容存儲結構如下:
文本內容存儲于word/document.xml文件中。
第一種方法，我們就可以先將docx還原成zip壓縮文件，再解壓zip文件，讀取word/document.xml文件的內容就ok了。
具體操作代碼如下:
def get_content(self):
"""
獲取docx文檔的文本內容
:rtype: object
"""
os.chdir(r"C:\Users\Administrator\Desktop\新建文件夾") # 改變目錄到文件的目錄
#
os.rename("51 2014.09.12 1份Savannah.docx", "51 2014.09.12 1份Savannah.ZIP") # 重命名為zip文件
f = zipfile.ZipFile('51 2014.09.12 1份Savannah.ZIP', 'r') # 進行解壓
xml = f.read("word/document.xml")
wordObj = BeautifulSoup(xml.decode("utf-8"))
# print(wordObj)
texts = wordObj.findAll("w:t")
content = []
for text in texts:
content.append(text.text)
content_str = "".join(content)
return content_str
最后獲取到的就是docx文檔的所有文本數據了。
No.2 將docx文檔轉換成python能夠處理的文本格式
第一種方法，是依據docx文檔的原理來獲取數據,流程有點繁瑣，有沒有能直接讀取docx文檔內容的方法呢？答案，肯定是沒有的，別想了，洗洗回家睡吧。
直接讀取docx文檔的方法沒有，有沒有能夠將docx文檔轉換成python能夠輕松處理的文本格式呢？
這個可以有，前面說了，python擁有大量豐富的第三方庫（先夸一波我大python）,歷經千辛萬苦終于找到了，一個能轉換docx文檔格式的第三方庫,pydocx,pydocx庫中有個方法pydocx.to_html()就可以直接將docx文檔轉換為html文件，怎么樣？意不意外，驚喜不驚喜！
第二種方法，轉換文本格式的代碼如下:
def docx_to_html(self, docx_path): """ docx文檔轉換成html響應 :rtype: object """ # docx_path = "C:\\Users\Administrator\Desktop\新建文件夾\\51 2014.09.12 1份Savannah.docx" response = PyDocX.to_html(docx_path)
獲取到的response是html文件內容。
四、Python處理mht文件
mht文件是一種只能在IE瀏覽器上展示的文本格式，在chrome瀏覽器中打開是一堆的亂碼。
No.1 偽造IE請求mht文件內容
最基礎的讀取mht文本的方法就是偽造IE瀏覽器請求。
調用requests庫，發送get請求網頁鏈接，構造IE的請求頭信息。
理論上來說，這種方法是可行的。但是呢，不建議用，原因大家都懂得。
No.2 轉換文件格式
好了說正經的方法，猜測mht文件能否修改成其他文件格式來直接讀取呢？
docx,不行；html，不行；excel，更不用說了。
真相只有一個?。?！
直接修改后綴得到的docx，無法讀取。
so,我們想到的方法是什么呢。沒錯，就是修改成doc文檔。
方法是匪夷所思的，但也是靈感一現。
mht可以直接通過修改后綴轉換成doc文檔，doc文檔讀取文本內容的方法具體參考上面讀取doc文檔的方法。
如何獲取html文本的內容？
html文本的內容是網頁結構標簽數據，取出文本的方式是：re正則，或者xpath。
后續，小伙伴有需要的話，會再開一章詳細了解re,xapth的使用規則。
來源網絡，侵權聯系刪除
設您需要使用 JavaScript 在服務器上讀取多個文件。Node.js 這樣的運行時環境中有許多讀取文件的方法。哪一種最好？讓我們來考慮各種方法。
使用 fs.promises
const fs = require('fs/promises');
const readFile = fs.readFile;
readFile("lipsum.txt", { encoding: 'utf-8' })
.then((data) => {...})
.catch((err) => {...})
使用 fs.readFile 和 util.promisify
const fs = require('fs');
const util = require('util');
const readFile = util.promisify(fs.readFile);
readFile("lipsum.txt", { encoding: 'utf-8' })
.then((data) => {...})
.catch((err) => {...})
使用 fs.readFileSync
const fs = require('fs');
const readFileSync = fs.readFileSync;
var data = readFileSync("lipsum.txt", { encoding: 'utf-8' })
使用 await fs.readFileSync
const fs = require('fs');
const readFileSync = fs.readFileSync;
async function f(name, options) {
return readFileSync(name, options);
}
使用 fs.readFile
const fs = require('fs');
const readFile = fs.readFile;
fs.readFile('lipsum.txt', function read(err, data) {...});
性能測試
我寫了一個小的 性能測試，重復從磁盤讀取一個文件。這是一個簡單的循環，每次訪問同一個文件。我報告讀取文件 50,000 次需要的毫秒數。文件相對較?。猿^一千字節）。我使用裝有數十個 Ice Lake Intel 核心和大量內存的大型服務器。我使用的是 Node.js 20.1 和 Bun 1.0.14。Bun 是一個競爭的 JavaScript 運行時。
我多次運行了基準測試，并在所有情況下報告最好的結果。您的結果可能會有所不同。
Node.js時間 | Bun時間 | |
fs.promises | 2400 ms | 110 ms |
fs.readFile 和 util.promisify | 1500 ms | 180 ms |
fs.readFileSync | 140 ms | 140 ms |
await fs.readFileSync | 220 ms | 180 ms |
fs.readFile | 760 ms | 90 ms |
至少在我的系統上，在這個測試中，使用 Node.js 的 fs.promises 明顯比其他任何方法的成本更高。Bun 運行時在這個測試中比 Node.js 快得多。
對于fs.promises，結果比看起來更糟的是以下這個意義。我發現readFileSync使用了 300 ms 的 CPU 時間，而fs.promises則使用了 7 秒的 CPU 時間。這是因為在基準測試期間，fs.promises觸發了多個核心的工作。
將文件大小增加到例如 32kB，并不改變結論。如果使用顯著更大的文件，許多 Node.js 情況會因為“堆限制分配失敗”而出錯。Bun 即使在大文件中也能繼續運行。使用 Bun 的測試結果不改變結論：我的測試表明即使對于大文件，fs.readFile 也始終更快。
致謝。我的基準測試靈感來源于 Evgenii Stulnikov 提供的一個測試案例。
于安全和隱私的原因，web 應用程序不能直接訪問用戶設備上的文件。如果需要讀取一個或多個本地文件，可以通過使用input file和FileReader來實現。在這篇文章中，我們將通過一些例子來看看它是如何工作的。
由于瀏覽器中的 JS 無法從用戶的設備訪問本地文件，我們需要為用戶提供一種方法來選擇一個或多個文件供我們使用。這可以通過文件選擇器<input type='fule' />來完成。
<input type="file" id="fileInput">如果想允選擇多個文件，可以添加multiple屬性:
<input type="file" id="fileInput" multiple>我們可以通過change事件來監聽文件的選擇，也可以添加另一個 UI 元素讓用戶顯式地開始對所選文件的處理。
input file 具有一個files屬性，該屬性是File對象的列表（可能有多個選擇的文件）。
File對象如下所示：
讀取文件，主要使用的是[FileReader][1]類。
「該對象擁有的屬性：」
「FileReader.error」 ：只讀，一個DOMException，表示在讀取文件時發生的錯誤 。
「FileReader.readyState」：只讀 表示 FileReader 狀態的數字。取值如下：
常量名值描述EMPTY0還沒有加載任何數據LOADING1數據正在被加載DONE2已完成全部的讀取請求
「FileReader.result」：只讀，文件的內容。該屬性僅在讀取操作完成后才有效，數據的格式取決于使用哪個方法來啟動讀取操作。
「該對象擁有的方法：」
readAsText(file, encoding)：以純文本形式讀取文件，讀取到的文本保存在result屬性中。第二個參數代表編碼格式。
readAsDataUrl(file)：讀取文件并且將文件以數據URI的形式保存在result屬性中。
readAsBinaryString(file)：讀取文件并且把文件以字符串保存在result屬性中。
readAsArrayBuffer(file)：讀取文件并且將一個包含文件內容的ArrayBuffer保存咋result屬性中。
FileReader.abort()：中止讀取操作。在返回時，readyState屬性為DONE。
「文件讀取的過程是異步操作，在這個過程中提供了三個事件：progress、error、load事件?！?/strong>
progress：每隔50ms左右，會觸發一次progress事件。
error：在無法讀取到文件信息的條件下觸發。
load：在成功加載后就會觸發。
在下面的示例中，我們將使用readAsText和readAsDataURL方法來顯示文本和圖像文件的內容。
為了將文件內容顯示為文本，change需要重寫一下：
首先，我們要確保有一個可以讀取的文件。如果用戶取消或以其他方式關閉文件選擇對話框而不選擇文件，我們就沒有什么要讀取和退出函數。
然后我們繼續創建一個FileReader。reader的工作是異步的，以避免阻塞主線程和 UI 更新，這在讀取大文件(如視頻)時非常重要。
reader發出一個'load'事件(例如，類似于Image對象)，告訴我們的文件已經讀取完畢。
reader將文件內容保存在其result屬性中。此屬性中的數據取決于我們使用的讀取文件的方法。在我們的示例中，我們使用readAsText方法讀取文件，因此result將是一個文本字符串。
如果我們想要顯示圖像，將文件讀取為字符串并不是很有用。FileReader有一個readAsDataURL方法，可以將文件讀入一個編碼的字符串，該字符串可以用作<img>元素的源。本例的代碼與前面的代碼基本相同，區別是我們使用readAsDataURL讀取文件并將結果顯示為圖像:
1）由于安全和隱私的原因，JavaScript 不能直接訪問本地文件。
2）可以通過 input 類型為 file 來選擇文件，并對文件進行處理。
3） file input 具有帶有所選文件的files屬性。
4） 我們可以使用FileReader來訪問所選文件的內容。
作者: Martin Splitt 譯者：前端小智 來源：dev
原文：https://dev.to/g33konaut/reading-local-files-with-javascript-25hn
*請認真填寫需求信息，我們會在24小時內與您取得聯系。
