# 写入文本文件
with open('data.txt', 'w', encoding='utf-8') as file:
    file.write("Hello, World!\n")
    file.write("这是第二行文本\n")

# 读取文本文件
with open('data.txt', 'r', encoding='utf-8') as file:
    content = file.read()
    print(content)

优点：

• 简单易用
• 人类可读
• 不需要额外依赖

import csv

# 写入CSV文件
data = [
    ['姓名', '年龄', '城市'],
    ['张三', 25, '北京'],
    ['李四', 30, '上海'],
    ['王五', 28, '广州']
]

with open('people.csv', 'w', newline='', encoding='utf-8') as file:
    writer = csv.writer(file)
    writer.writerows(data)

# 读取CSV文件
with open('people.csv', 'r', encoding='utf-8') as file:
    reader = csv.reader(file)
    for row in reader:
        print(row)

优点：

• 轻量级表格数据存储
• 跨平台兼容性好
• 易于导入到各种数据分析工具

import json

# Python字典数据
user_data = {
    "name": "张三",
    "age": 28,
    "email": "zhangsan@example.com",
    "hobbies": ["阅读", "游泳", "编程"],
    "is_active": True
}

# 写入JSON文件
with open('user.json', 'w', encoding='utf-8') as file:
    json.dump(user_data, file, ensure_ascii=False, indent=4)

# 读取JSON文件
with open('user.json', 'r', encoding='utf-8') as file:
    data = json.load(file)
    print(data['name'])  # 输出: 张三

优点：

• 人类可读的格式
• 支持复杂数据结构
• 与Web API无缝集成

import sqlite3

# 创建数据库连接
conn = sqlite3.connect('mydatabase.db')
cursor = conn.cursor()

# 创建表
cursor.execute('''CREATE TABLE IF NOT EXISTS users
             (id INTEGER PRIMARY KEY, name TEXT, email TEXT, age INTEGER)''')

# 插入数据
cursor.execute("INSERT INTO users (name, email, age) VALUES (?, ?, ?)",
              ('王小明', 'wang@example.com', 30))

# 查询数据
cursor.execute("SELECT * FROM users")
rows = cursor.fetchall()
for row in rows:
    print(row)

# 提交并关闭连接
conn.commit()
conn.close()

优点：

• 完整的SQL支持
• 无需单独数据库服务器
• 支持事务处理

import pickle

# 创建复杂Python对象
data = {
    'name': '神经网络模型',
    'version': '1.2',
    'parameters': {'layers': 5, 'neurons': 128},
    'trained': True,
    'accuracy': 0.95
}

# 保存到Pickle文件
with open('model.pkl', 'wb') as file:  # 注意是二进制模式
    pickle.dump(data, file)

# 从Pickle文件加载
with open('model.pkl', 'rb') as file:
    loaded_data = pickle.load(file)
    print(loaded_data['name'])  # 输出: 神经网络模型

优点：

• 可以保存几乎任何Python对象
• 保持对象结构和状态
• 常用于机器学习模型持久化