提取后文件大小增加？

Posted 2023-03-07

【中文标题】提取后文件大小增加？

【英文标题】：File size increasing after extraction?

【发布时间】：2016-07-13 17:30:21

【问题描述】：

这是一个非常笼统的问题，我什至不知道这是否是该问题的正确社区，如果不告诉我。

我最近有一个 html 文件，从中提取了大约 90 行 HTML 代码（总行数约为 8000 行）。我用一个简单的 Python 脚本做到了这一点。我将输出（缩短的 html 代码）存储到一个文本文件中。现在我很好奇，因为文件大小增加了？在我提取其中的某些部分后，什么会导致文件变大？

之前的文件大小：319.374 字节 之后的文件大小：321.516 字节

这是因为html和txt的文件格式不同吗？

任何帮助或建议表示赞赏！

代码：

import glob
import os
import re


def extractor():
    os.chdir(r"F:\Test")  # the directory containing my html
    for file in glob.iglob("*.html"):  # iterates over all files in the directory ending in .html
        with open(file, encoding="utf8") as f, open((file.rsplit(".", 1)[0]) + ".txt", "w", encoding="utf8") as out:
            contents = f.read()
            extract = re.compile(r'StartTag.*?EndTag', re.S)
            cut = extract.sub('', contents)
            if re.search(extract, contents) is not None:
                out.write(cut)
            out.close()
extractor()

编辑：我还尝试使用“.html”而不是“.txt”作为输出文件的文件格式。但是，差异仍然存在。

【问题讨论】：

你对这两个文件做了一个简单的diff吗？这应该很清楚地显示出差异。 HTML 通常存储为文本，但 .html 扩展名标记了它的用法。

如果你说提取，你是什么意思？如果可能的话，您介意展示您的一些代码吗？

要明确一点 - 提取 90 行后，较大文件的大小从 ~311KB（319,374 字节）增加到 ~313KB（321,516 字节），对吗？

@Prune：这两个文件的差异是负数（Short Output file比input HTML大），所以我不知道如何得到合理的解释？

@J.Titus：没错。基本上它是同一个文件，一次包含约 8000 行 HTML 格式的 HTML 代码，提取后约 7910 行，但为 txt 格式

【参考方案1】：

此代码不会写入原始 HTML 文件。一定是其他原因导致文件大小增加。

【讨论】：

你是绝对正确的。代码遍历我的目录，打开每个 html 文件，读取每个文件，删除与我的 RegEx 匹配的文档部分并将结果打印到新创建的文本文件中。