Python办公自动化(四) | 批量处理文件

用同样的方式处理一堆文件夹中文件，这并不难，但就是繁。所以在遇到机械式的操作时一定要记得使用Python来合理偷懒！今天我将以处理微博热搜数据来示例如何使用Python批量处理文件夹中的文件，主要将涉及：

• Python批量读取不同文件夹(⭐⭐⭐)
• Pandas数据处理(⭐⭐)
• Python操作Markdown文件(⭐)

需求分析

首先来说明一下需要完成的任务，下面是我们的文件夹结构

因为微博历史热搜是没有办法去爬的，所以只能写一个爬虫每天定时爬取热搜并保存，所以在我当时分析数据时使用的就是上图展示的数据，每天的数据以套娃形式被保存在三级目录下，并且热搜是以markdown文件存储的，打开是这样

而我要做的就是将这三个月的微博热搜数据处理成这样

依次点三下进入每天的数据文件夹再打开md文件手动复制粘贴进Excel，不就几万条数据，大不了一天不吃饭也能搞定！现在我们来看看如何用Python光速处理。

Python实现

在操作之前我们来思考一下如何使用Python实现，其实和手动的过程类似：先读取全部文件，再对每一天的数据处理、保存。所以第一步就是将我们需要的全部文件路径提取出来，首先导入相关库

import pandas as pd
import os
import glob
from pathlib import Path

读取全部文件名的方法有很多比如使用OS模块

但是由于我们是多层文件夹，使用OS模块只能一层一层读取，要写多个循环从而效率不高，所以我们告别os.path使用Pathlib来操作，三行代码就能搞定，看注释

from pathlib import Path
 
p = Path("/Users/liuhuanshuo/Desktop/热搜数据/") #初始化构造Path对象

FileList=list(p.glob("**/*.md")) #得到所有的markdown文件

来看下结果

成功读取了热搜数据下多层文件夹中的全部md文件！但是新的问题来了，每天有两条热搜汇总，一个11点一个23点，考虑到会有重合数据所以我们在处理之前先进行去重，而这就简单了，不管使用正则表达式还是按照奇偶位置提取都行，这里我是用lambda表达式一行代码搞定

filelist = list(filter(lambda x: str(x).find("23点") >= 0, FileList))

现在我们每天就只剩下23点的热搜数据，虽然是markdown文件，但是Python依旧能够轻松处理，我们打开其中一个来看看

打开方式和其他文件类似使用with语句，返回一个list，但是这个list并不能直接为我们所用，第一个元素包含时间，后面每天的热搜和热度也不是直接存储，含有markdown语法中的一些没用的符号和换行符，而清洗这些数据就是常规操作了，使用下面的代码即可，主要就是使用正则表达式，看注释

with open(file) as f:
    lines = f.readlines()
    lines = [i.strip() for i in lines] #去除空字符
    data = list(filter(None, lines))
    del data[0]
    data = data[0:100]
    date = re.findall('年(.+)2',str(file))[0]
    content = data[::2] #奇偶分割
    rank = data[1::2]
        #提取内容与排名
    for i in range(len(content)):
            content[i] = re.findall('、(.+)',content[i])[0]
    for i in range(len(rank)):
            rank[i] = re.findall(' (.+)',rank[i])[0]

最后只需要写一个循环遍历每一天的文件并进行清洗，再创建一个DataFrame用于存储每天的数据即可

可以看到，并没有使用太复杂的代码就成功实现了我们的需求！

参考链接 ：

Python办公自动化(四) | 批量处理文件 ; https://mp.weixin.qq.com/s/b1UITP7iVt-3i066r_BwJg