Soubory a cesty

Informace uložené v Pythonních proměnných – seznamech, slovnících, a tak dále – jsou dočasné. Jakmile Python ukončíš, zmizí. Chceš-li něco uložit na delší dobu, nebo třeba sdílet s jinými programy, můžeš si informace uložit do souboru.

S počítačovými soubory (angl. files) už ses asi setkala. Teď se na ně ale podívejme trochu podrobněji.

Soubor je místo, kam se dají ukládat informace – obsah. Kromě obsahu mají soubory ještě další vlastnosti:

• jméno, podle kterého se soubor dá najít,
• informace o vlastnictví a oprávnění, které určují kdo může ze souboru číst a kdo do něj může zapisovat,
• informace o časech vytvoření, posledního zápisu, a podobně,
• a další informace, na každém druhu operačního systému jiné.

Tak jako je kapitola v knížce poskládaná z písmenek, obsah souboru je poskládaný z bajtů (angl. bytes) – malých čísel. Každá informace, kterou počítač umí zpracovat, se dá zakódovat do bajtů podobně jako se z písmenek skládá text.

Soubory jsou většinou uloženy na disku (nebo podobném médiu), kde bývá místo na bilióny bajtů. Aby počítač poznal, kde na disku je který soubor, používá souborový systém (angl. filesystem). Ten plní podobnou funkci jako v knížce obsah, jména kapitol a čísla stránek.

Operační systémy

Souborových systémů existuje spousta druhů. Experti nám snad prominou hrubé zjednodušení, když si je rozdělíme na dva druhy: ty pro Windows a ty pro Unix.

Unix je operační systém, vytvořený v sedmdesátých letech, ze kterého vycházejí dnešní systémy Linux, macOS a další. Základní principy, o kterých bude řeč tady, se od dob Unixu většinou příliš nezměnily. A tak když v těchto materiálech uvidíš jméno „Unix“, jde o něco společné pro Linux i macOS. Hlavní rozdíly mezi Linuxem a macOS jsou v konvencích – např. na Linuxu se místo pro domovské adresáře jmenuje většinou /home, kdežto na macOS /Users.

Další rozšířený operační systém, Windows, z Unixu nevychází. Některé věci se v něm, jak později uvidíme, chovají jinak.

Adresáře

Na dnešních souborových systémech jsou soubory tříděny do adresářů neboli složek (angl. directory, folder). Adresář může obsahovat spoustu souborů nebo i jiných adresářů.

A teď něco, co pro tebe může být nové: pro programátory jsou adresáře taky soubory. Souborů je dokonce spousta druhů: normální soubory s informacemi, adresáře (které obsahují další soubory), speciální soubory které můžou reprezentovat celý disk nebo spojení mezi počítači, odkazy na jiné soubory, a tak dále. Co je a co není soubor závisí na systému. Dnes se proto omezíme jen na dva druhy souborů, které najdeme jak na Windows tak na Unixu: normální datové soubory (ty, které si pod jménem „soubor“ představí běžný uživatel) a adresáře.

Cesty

Abys mohla najít nějaký soubor, potřebuješ znát jeho jméno a adresář, který ten soubor obsahuje. Abys pak mohl/a najít ten adresář, musíš opět znát jméno adresáře a adresář, který ho obsahuje. A tak dál, až se dostaneš ke kořenovému adresáři (angl. root directory), který (zjednodušeně řečeno) obsahuje celý souborový systém. Když napíšeš jména všech adresářů které takhle projdeš za sebe, dostaneš cestu (angl. path) k danému souboru. Taková cesta by mohla na Unixu být třeba:

• Linux: /home/janca/Documents/archiv.tar.gz
• macOS: /Users/janca/Documents/archiv.tar.gz

To znamená, že začneš v kořenovém adresáři (který se na Linuxu jmenuje /), v něm hledáš adresář home nebo Users (ten tradičně obsahuje domovské adresáře uživatelů), v něm pak janca (podle uživatelského jména), v něm Documents, a v něm pak archiv.tar.gz. To už není adresář, ale normální soubor do kterého se dají zapsat informace.

Obdobná cesta na Windows by mohla být třeba: C:\Users\Jana\Documents\archiv.tar.gz

Tahle cesta začíná na disku C:. Windows mají na rozdíl od Unixu zvláštní kořenový adresář pro každý disk – třeba C:\ a D:\ – zatímco na Unixu je hlavní kořenový adresář jen jeden a disky jsou v něm připojené jako speciální adresáře. Dál je to podobné jako na Unixu, jen oddělovač adresářů je zpětné lomítko místo obyčejného.

Absolutní a relativní cesty

Cesta, která začíná v konkrétním kořenovém adresáři, se nazývá absolutní cesta (angl. absolute path). Je jako úplná poštovní adresa: správně nadepsaný dopis můžu hodit do schránky kdekoli na světě a (teoreticky) vždy dojde k adresátovi.

Když ale dopis do Česka házím do české schránky, můžu vynechat informaci o kontinentu a zemi. Je to tak kratší a jednodušší‚ ale z Austrálie by to nefungovalo.

Na podobném principu jsou založeny relativní cesty (angl. relative paths). Když už jsi v domovském adresáři, stačí zadat cestu Documents/archiv.tar.gz, bez lomítek či jména disku na začátku. To znamená, že cesta nezačíná v kořenovém adresáři, ale v aktuálním adresáři (angl. current directory) – tam, kde právě jsi. Kdyby ses pomocí cd přepnula jinam, tahle relativní cesta by přestala fungovat.

Kde relativní cesta „začíná“, to záleží na kontextu – většinou jde o aktuální adresář, ale může to být třeba gitový repozitář (hlavní adresář nějakého projektu), adresář s programem který právě běží, a podobně.

Dvě tečky a jedna tečka

Každý adresář obsahuje dva speciální záznamy: .. a ..

Jméno . (tečka) vždy označuje samotný adresář. Tudíž /home/janca je stejný adresář jako /home/janca/., /home/janca/././././. a tak dál. To nezní moc užitečně – ale jen do té doby, než potřebuješ zadat jako relativní cestu samotný aktuální adresář.

Jméno .. (dvě tečky) označuje nadřazený adresář. Když se tohle jméno objeví v cestě, znamená to, že potřebujeme přejít o úroveň výš. Jsi-li v adresáři /home/janca/Pictures/dovolena, tak:

• cesta .. znamená adresář /home/janca/Pictures
• cesta ../../programy/venv znamená /home/janca/programy/venv
• absolutní cesta /home/janca/Documents/../Pictures/dovolena znamená /home/janca/Pictures/dovolena

Jména souborů

Jméno souboru je řetězec. Nemůže to ale být jakýkoli řetězec. Různé systémy mají různou maximální délku jména (i když na tenhle limit dnes většinou nenarazíš). A navíc je omezen i obsah – jméno souboru nesmí obsahovat:

• na Unixu oddělovač adresářů / ani speciální nulový znak,
• na windows oddělovač \, znaky <>:"/|?* ani speciální znaky (např. tabulátor, znak nového řádku).

Nedoporučuji s názvy příliš experimentovat, protože některé validní znaky můžou v určitých kontextech mít zvláštní význam (např. * a ? jako zástupné znaky), špatně se používají (např. mezery a nové řádky), působí problémy s kódováním (např. písmena s diakritikou nebo emoji), nebo naráží na problémy s tím, že Windows nerozlišují velikost písmen ale Unix ano.

Programátoři by se tak měli omezit na:

• malá písmena bez diakritiky,
• číslice 0 - 9,
• pomlčku -,
• podtržítko _, a
• tečku jako oddělovač přípony.

Možná sis všimla, že normální lomítko, /, nesmí na Windows být ve jménu souboru. Spousta moderních programů (včetně většiny knihoven v Pythonu) toho využívá a dopředná lomítka automaticky zaměňuje za zpětná. Můžeš tak na všech systémech používat stejné relativní cesty: Documents/archiv.tar.gz většinou funguje i na Windows.

Přípony

Hodně jmen souborů obsahuje tečku a za ní krátkou příponu (angl. extension), která tradičně indikuje formát souboru – způsob, kterým jsou v souboru zakódovány informace. Například soubor hrad.jpeg má příponu .jpeg. Ten kdo ví, že JPEG je způsob zakódování obrázku (zvlášť vhodný pro fotografie), si tak může domyslet že v souboru je nejspíš fotka hradu.

Pythonisti zase poznají příponu .py. Python samotný ji vyžaduje: příkaz import module hledá soubor module.py.

Přípony jsou zvlášť důležité na Windows, kde se podle nich vybírá program, kterým se soubor otevře. (Unix se oproti tomu dívá v prvé řadě na samotný obsah souboru.)

Přípon se může objevit i víc: archiv.tar.gz nejspíš obsahuje několik souborů spojených dohromady ve formátu tar a pak zkomprimovaných ve formátu gzip.