Kódování dat

V Pythonu informace spravuješ v seznamech, slovnících a jiných datových strukturách. Když si vytvoříš nějaký slovník slovník plný seznamů, řetězců a čísel, můžeš s ním v Pythonu dál pracovat. Třeba:

data = {
    'jméno': 'Anna',
    'město': 'Brno',
    'jazyky': ['čeština', 'angličtina'],
    'věk': 26,
}
data['jazyky'].append('Python')

Taková data ale nejdou přímo zapsat na disk nebo přenést přes Internet. Python si je „pamatuje“ tak, aby s nimi mohl jednoduše pracovat; když Python vypneš, stuktura informací se ztratí.

Abys mohla informace zapsat, uložit nebo dokonce přenést na jiný počítač, musíš je zakódovat – převést na řetězec. Řetězec pak lze zapsat do souboru nebo třeba poslat přes Internet.

Typy

Když budeš informace ukládat nebo posílat po internetu, je dobré zařídit, aby je uměly přečít i jiné programy než ten tvůj. A ty jiné programy nemusí být napsané v Pythonu.

Ostatní jazyky často neumí přímopracovat s pythonními hodnotami – seznamy, slovníky, range, nebo funkcemi. Budeš-li se chtít s takovými programy „domluvit” – předat jim nějaké informace ke zpracování nebo od nich dostat výsledky – musíš informace předávat v nějaké zjednodušené podobě.

Většina programovacích jazyků má nějaká čísla, nějaký druh seznamů, nějakou odrůdu řetězců a nějakou variaci na slovníky (nebo několik způsobů jak slovníky vytvořit). Dále má spousta jazyků způsob, jak zapsat True, False a None.

Tyhle základní typy většinou stačí na předání jakékoli informace v rozumně čitelné podobě, i když ne ve všech jazycích mají přesné ekvivalenty (třeba Python má dva základní druhy čísel – int a float). Často se proto v komunikaci omezíme na ně.

Kódování

Existuje spousta způsobů, jak zakódovat data do textu. Každý způsob se snaží najít vhodnou rovnováhu mezi čitelností pro lidi/počítače, délkou zápisu, bezpečností, možnostmi a rozšiřitelností. Už známe syntaxi Pythonu; která jak už název napovídá, funguje jen pro Python:

{
    'jméno': 'Anna',
    'město': 'Brno',
    'jazyky': ['čeština', 'angličtina', 'Python'],
    'věk': 26,
}

Jiný způsob zápisu dat je třeba YAML:

jméno: Anna
město: Brno
jazyky:
  - čeština
  - angličtina
  - Python
věk: 26

Nebo třeba Bencode:

d6:jazykyl9:čeština11:angličtina6:Pythone4:věki26e6:město4:Brno6:jméno4:Annae

Existují i netextové formáty, jako Pickle 3. Převedením do textu bys dostala „guláš“ jako:

}q(XjménoqXAnnaqXmÄtoqXBrnoqXjazykyq]q(X       ÄeÅ¡tinaqX
                                                          angliÄtinaXPythonq       eXvÄq
K▒u.

A nakonec uvedu JSON (z angl. Javascript Object Notation „zápis Javascriptových objektů”), který se pro svou jednoduchost rozšířil na Internetu nejvíc:

{
  "jméno": "Anna",
  "město": "Brno",
  "jazyky": ["čeština", "angličtina", "Python"],
  "věk": 26
}

JSON

Pojďme se zaměřit na populární JSON; práce s ostatními formáty funguje podobně.

K zakódování dat do textu použij funkci dumps z modulu json (který je potřeba naimportovat).

>>> import json
>>> kod = json.dumps(data)
>>> kod
'{"jm\\u00e9no": "Anna", "m\\u011bsto": "Brno", "jazyky": ["\\u010de\\u0161tina", "angli\\u010dtina", "Python"], "v\\u011bk": 26}'

Výsledný řetězec obsahuje ty správné informace – ale je psaný spíš pro počítačové zpracování než k tomu, aby ho četl člověk.

Zapiš tenhle řetězec do souboru:

with open('data.json', 'w') as soubor:
    print(kod, file=soubor)

Jinde – třeba v jiném programu, nebo dokonce na jiném počítači, pokud tam soubor zkopíruješ – můžeš pak řetězec s kódem načíst:

with open('data.json') as soubor:
    kod = soubor.read()

A pomocí json.loads ho pak převedeš zpátky na původní slovník, se kterým můžeš dál pracovat:

>>> data = json.loads(kod)
>>> print(data)
{'jméno': 'Anna', 'město': 'Brno', 'jazyky': ['čeština', 'angličtina', 'Python'], 'věk': 26}
>>> print(data['věk'] + 1)
27

Typy

JSON neumožňuje věrně zakódovat jakýkoli Pythonní objekt. Zaměřuje se na výměnu informací mezi různými programy – a to i programy napsanými v jiných programovacích jazycích než v Pythonu.

Jiné jazyky často neumí pracovat s Pthonními hodnotami a informace je jim potřeba předávat v nějaké společné, zjednodušené podobě.

Většina programovacích jazyků má nějaká čísla, nějaký druh seznamů, nějakou odrůdu řetězců a nějakou variaci na slovníky (často jen s řetězcovými klíči). Dále má spousta jazyků způsob, jak zapsat True, False a None.

Tyhle základní typy většinou stačí na předání jakékoli informace v rozumně čitelné podobě, i když ne všechny jazyky mají přesné ekvivalenty (třeba Python má dva základní druhy sekvencí – seznamy a n-tice).

Převod na JSON je proto „ztrátový“: po rozkódování nedostaneš přesně stejný objekt jako ten, který jsi zakódovala, ale nějaký podobný. Konkrétně modul json převádí n-tice na seznamy a klíče slovníků převádí na řetězce:

>>> data = {'dvojice': (1, 2), 'seznam': [3, 4], 2: 'dva', 11: 'jedenáct'}
>>> kod = json.dumps(data)
>>> json.loads(kod)
{'dvojice': [1, 2], 'seznam': [3, 4], '2': 'dva', '11': 'jedenáct'}

Hezký výstup

To, co vrací json.dumps, je vhodné pro počítačové zpracování:

>>> kod = json.dumps(data)
>>> print(kod)
{"jm\u00e9no": "Anna", "m\u011bsto": "Brno", "jazyky": ["\u010de\u0161tina", "angli\u010dtina", "Python"], "v\u011bk": 26}

Má-li výsledný soubor číst člověk, je ho možné zpřehlednit pomocí pojmenovaných argumentů ensure_ascii=False (aby se písmenka s diakritikou nekódovala pomocí \) a indent=2 (odsazení dvěma mezerami).

>>> kod = json.dumps(data, ensure_ascii=False, indent=2)
>>> print(kod)
{
  "věk": 26,
  "jméno": "Anna",
  "jazyky": [
    "čeština",
    "angličtina",
    "Python"
  ],
  "město": "Brno"
}

Tenhle kód lze taky zapsat do souboru nebo načíst zpět pomocí json.loads, jen se trochu líp čte lidem.

Jiná kódování

Jak už bylo řečeno, JSON je jen jeden ze způsobů, kterými lze data zakódovat. Jiná kódování mají své pro a proti, ale v podstatě fungují stejně: jedna funkce (často dumps) zakóduje Pythonní objekt do řetězce a druhá (často loads) dekóduje řetězec na původní (nebo podobný) Pythonní objekt.

V případech, kdy má soubor s informacemi psát člověk, se často používají formáty TOML nebo YAML.

TOML

Knihovnu pro TOML potřeba si nainstalovat:

(venv)$ python -m pip install toml

Data pak lze kódovat pomocí toml.dumps a dekódovat pomocí toml.loads:

>>> import toml
>>> print(toml.dumps(data))
"věk" = 26
"jméno" = "Anna"
jazyky = ["čeština", "angličtina", "Python"]
"město" = "Brno"

YAML

Knihovnu pro YAML, je také potřeba doinstalovat:

(venv)$ python -m pip install pyyaml

Data pak lze kódovat pomocí yaml.safe_dump (nebo „hezky“ pomocí yaml.safe_dump(data, indent=4, allow_unicode=True)) a zapisovat pomocí yaml.safe_load(kod). Výsledný soubor vypadá takto:

jazyky:
- čeština
- angličtina
- Python
jméno: Anna
město: Brno
věk: 26