Python文件操作入门教程：文本与二进制文件读写方法详细说明

作者：袖梨 2026-08-06

Python文件操作入门教程：文本与二进制文件读写方法详细说明需要先看清适用场景和关键步骤，避免只记结论却忽略实际限制。

简述

按照数据的组织形式，文件大致可以分为以下两类：文本文件与二进制文件。前者是由若干字符组成的文件，可以用文本编辑器进行阅读或编辑，例如以.txt、.py以及.html为后缀的文件都是文本文件。

二进制文件是无法用文本编辑器打开的，需要使用特定的软件打开，例如.mp3、.png等格式的文件。我们下面介绍对于文件的基本操作。

open()、close()、read()以及write()

对文件的所有读写操作都是建立在打开文件的基础上进行的，并且文件的打开方式可以有多种。

'r’代表read只读、'w’代表write覆盖写、'a’代表append在文件末尾追加以及’b’代表打开二进制文件，默认情况下认为open()是以只读模式打开，例如f=open("Sample.txt")，所以如果该文件不存在，程序将会报错。

当对文件的内容操作完以后，一定要关闭文件，这样才能保证所修改的数据保存到文件中去，同时也释放内存资源以供其他程序使用，关闭文件使用close()函数，f.close().

当然，如果你的程序在open()之后，close()之前发生了错误导致程序异常中断，那么文件就没有被正常关闭。

所以在管理文件对象时使用with-as语句可以有效避免这类问题，不再需要显式的close()语句，基本的语法格式如下：

with open("Sample.txt") as f:    str1=f.read()    print(str1)

关于文本文件的读写操作，我们可以放在一起介绍：

read([size])方法从文本文件中读取size个字节或字符作为结果返回，如果省略size参数，则会读取所有的内容;
readlines()方法会读取文件中的所有行，并且将每一行的内容作为一个字符串存入列表，最终返回一个字符串列表。注意如果文件很大，那么readlines()方法就会占用大量内存，这样的情况下不推荐使用；
readline()方法是readlines()方法的单数形式，每次只读出一行内容返回一个字符串结果。
除此之外我们还可以使用for line in f:这样的循环形式来读取文件中的每一行；
wirte(s)方法向文件中写入内容字符串s，注意我们在打开文件时，'w’模式意味着文件指针在文件首部，'a’模式的文件指针在文件末尾，而write()方法是从该指针的位置开始写入的。一定要记住这一点，以面文件被无意覆盖；
writelines(s)方法向文件中写入字符串列表s，需要注意的是，这一方法并不会为每个字符串元素单独设置一行，而是不换行地写入；

读写二进制文件

文本文件使用字符序列来存储数据，而二进制文件使用字节序列存储数据，它只能使用特定的读取器读取。Python中的pickle模块提供了将数据序列化与反序列化的功能。

dump(obj,file[,protocol=0])用于将对像obj序列化存储到文件file中，protocol是序列化的模式，默认值0代表文本的序列化，1或2表示二进制的序列化；
load(file)表示从文件file中读取一个字符串，并将其重构为原本的Python对象

文件指针

在介绍write()方法是我们提到过文件指针，它用于标志当前读写文件的位置，我们正是通过文件指针来对文件进行各种操作的。

tell()方法可以获取当前文件指针的位置；
seek(offset[,beg=0])可以从起始位置将文件指针后移offset个单位，注意当offset<0时等同于前移，起始位置默认为0，即文件的开头。另外beg=1代表文件指针的当前位置，beg=2代表文件末尾。

复制、移动、重命名与删除

shutil模块中提供了我们常见的复制、移动文件操作，os模块中则提供了重命名与删除的文件操作。

shutil.copy(src,dst)，表示将arc复制一份到dst表示的位置，例如shutil.copy(r"D:UserSample.txt",r"D:UserDataSample.txt");
shutil.move(src,dst)，表示将arc移动到dst表示的位置；
os.rename(src,dst)，表示将arc重命名为dst中的名字；
os.remove(src)，删除arc.

★Numpy中的常用操作

Python标准库中提供了array类型用于保存数组类型的数据，但这个array不支持多维数据，处理函数也不够丰富，不适合数值运算，而Numpy库已经成为了科学计算事实上的标准库。

Numpy库中最基本的数据类型是由同种元素构成的多维数组ndarry，简称数组。

下面我们介绍Numpy中常用的函数，和实际使用中import numpy as np一样，我们在下面的介绍中也用np代替numpy.

np.array([x,y,z])，用于从Python的list以及tuple类型中创建数组，并且可以是多维数组。

示例代码如下所示：

import numpy as npArray1=np.array([1,2,3,4])Array2=np.array([[1,2],[2,3]])Array3=np.array((1,2,3,4))Array4=np.array(((1,2,3),(3,4,5)))print(Array1)print(Array2)print(Array3)print(Array4)

np.arange(x,y,i)，创建一个从x到y，步长为i的数组；
np.linspace(x,y,n)，创建一个从x到y，等分为n个元素的数组；
np.random.rand(m,n)，创建一个m行n列的随机矩阵；
np.ones((m,n),dtype)，创建一个m行n列的全1矩阵，dtype为数据类型；
np.zeros((m,n),dtype)，创建一个m行n列的全0矩阵，dtype为数据类型；
np.eye(n)，创建n阶单位矩阵。

我们给出一段示例代码，具体看看是什么样子：

import numpy as nplist=[]list.append(np.arange(1,10,2))list.append(np.linspace(0,100,5))list.append(np.random.rand(3,4))list.append(np.ones((3,4),int))list.append(np.zeros((3,4),int))list.append(np.eye(3))index=0for i in list:    print(index,i)    index=index+1

ndarray常用属性

ndim，返回数据的维数；
shape，数组在每个维度上大小的元组；
size，元素总个数；
dtype，每个元素的类型；
itemsize，每个元素的大小。

import numpy as nparr=np.eye(5)print(arr)print(arr.ndim)print(arr.shape)print(arr.size)print(arr.dtype)print(arr.itemsize)

ndarray常用形态变换

reshape(m,n)，不改变原数组，返回一个m行n列的二维数组；
resize(m,n)，和reshape类似，但是改变原数组；
swapaxes(ax1,ax2)，将数组的两个维度进行调换；
flatten()，进行降维打击，返回折叠后的一维数组。

import numpy as nparr=np.eye(6)print(arr)print(arr.reshape(4,9))arr.resize(4,9)print(arr.swapaxes(0,1))print(arr.flatten())arr.resize(4,3,3)print(arr)

代码的运行结果如下，为了明显显示出形态变化，这个数组设置得有些大，可以对照着每一步的代码，检查每一步的输出：

1:[[1. 0. 0. 0. 0. 0.] [0. 1. 0. 0. 0. 0.] [0. 0. 1. 0. 0. 0.] [0. 0. 0. 1. 0. 0.] [0. 0. 0. 0. 1. 0.] [0. 0. 0. 0. 0. 1.]]2:[[1. 0. 0. 0. 0. 0. 0. 1. 0.] [0. 0. 0. 0. 0. 1. 0. 0. 0.] [0. 0. 0. 1. 0. 0. 0. 0. 0.] [0. 1. 0. 0. 0. 0. 0. 0. 1.]]3:[[1. 0. 0. 0.] [0. 0. 0. 1.] [0. 0. 0. 0.] [0. 0. 1. 0.] [0. 0. 0. 0.] [0. 1. 0. 0.] [0. 0. 0. 0.] [1. 0. 0. 0.] [0. 0. 0. 1.]]4:[1. 0. 0. 0. 0. 0. 0. 1. 0. 0. 0. 0. 0. 0. 1. 0. 0. 0. 0. 0. 0. 1. 0. 0. - 0. 0. 0. 1. 0. 0. 0. 0. 0. 0. 1.]5:[[[1. 0. 0.]  [0. 0. 0.]  [0. 1. 0.]] [[0. 0. 0.]  [0. 0. 1.]  [0. 0. 0.]] [[0. 0. 0.]  [1. 0. 0.]  [0. 0. 0.]] [[0. 1. 0.]  [0. 0. 0.]  [0. 0. 1.]]]

ndarray索引与切片

ndarray是支持像Python原生的list、string那样的索引和切片操作的：

import numpy as nparr=np.eye(6)print(arr[2][3])arr=np.array([1,2,3,4,5,6])print(arr[1:5])print(arr[1:6:2])print(arr)

ndarray算术运算函数

这些函数中的x 1 _1 1、x 2 _2 2参数是运算的两个操作数，y参数可选，若y参数指定了则将运算结果保存到y中，否则创建一个新的数组保存计算结果。

add、subtract、multiple、divide、floor_divide、negative、power以及remainder，这些函数都没有什么可以讲解的东西，就是我们普通的算术运算，作用于ndarray就是对应元素的算术运算。

import numpy as nparr1=np.array([1,2,3,4])arr2=np.array([2,4,6,8])print(arr1+arr2)print(arr2-arr1)print(arr1*3)print(arr1/2)print(arr1//2)print(arr1**2)print(arr2%3)print(arr1+9)print(arr1*arr2)print(arr2/arr1)print(arr1**arr2)print(arr1%arr2)

不难发现，其中的运算规律是这样的：

ndarray与常数运算时，每一个元素依次与常数运算；
两个ndarray运算时，是其中的对应元素之间进行运算。

当然，我们上面给出代码中的算数运算符都可以写成np.add(arr1,arr2)这样的形式，不过既然有简洁明了的写法，何必呢。

ndarray逻辑运算函数

ndarray也支持逻辑运算符，也就是我们常见的<、>等逻辑运算：

equal、not_equal、less、less_equal、greater、greater_equal以及比较特殊的where函数。

import numpy as nparr1=np.array([1,2,3,4])arr2=np.array([2,4,6,8])print(arr1<arr2)print(arr2<=arr1)print(arr1>arr2)print(arr1>=arr2)print(arr1==arr2)print(arr1!=arr2)print(arr1*2==arr2)

Python的封装做得相当好，对应Numpy中的ndarray类型，几乎让我们像使用int变量一样使用ndarray，这也是我们选择使用运算符，而不是函数调用形式的原因。

ndarray特殊运算函数

abs()，绝对值；
sqrt()，算术平方根；
square()，平方；
sign()，符号函数，正数返回1，0返回0，负数返回-1；
ceil()，向上取整；
floor()，向下取整；
rint()，四舍五入
exp()，计算自然指数值；
log(x)、log10(x)以及log2(x)，第一个计算自然对数值，其余两个就是字面意思。

import numpy as nparr1=np.array([-1,2,-3,4])arr2=np.array([1.2,2.6,3.5,4.9])print(np.sign(arr1)) #[-1  1 -1  1]arr1=np.abs(arr1)print(arr1)#[1 2 3 4]print(np.sqrt(arr1))#[1.         1.41421356 1.73205081 2.        ]print(np.square(arr1))#[ 1  4  9 16]print(np.ceil(arr2))#[2. 3. 4. 5.]print(np.floor(arr2))#[1. 2. 3. 4.]print(np.rint(arr2)) #[1. 3. 4. 5.]arr1=np.exp(arr1)print(arr1)#[ 2.71828183  7.3890561  20.08553692 54.59815003]print(np.log(arr1))#[1. 2. 3. 4.]arr3=np.array([10,100,1000,10000])print(np.log10(arr3))#[1. 2. 3. 4.]arr3=np.array([1024,2048,4096,65536])print(np.log2(arr3))#[10. 11. 12. 16.]

程序输出的结果，都在每一个print语句之后的注释中了。