在 R 中列出 HTTP/FTP 服务器上的文件
Posted
技术标签:
【中文标题】在 R 中列出 HTTP/FTP 服务器上的文件【英文标题】:List files on HTTP/FTP server in R 【发布时间】:2015-11-19 17:22:02 【问题描述】:我正在尝试从 R! 获取 HTTP/FTP 服务器上的文件列表,以便在下一步中我能够下载它们(或选择一些符合我的下载条件的文件)。
我知道可以在网络浏览器(下载管理器)中使用外部程序,这将允许我选择要从当前网页/ftp 下载的文件。但是,我希望将所有内容都编写成脚本,以便我更容易重现。
我想过从 R 调用 Python! (因为它看起来更容易),但我尝试完全在 R 中做到这一点!
我写了以下几行
require("RCurl")
result <- getURL("http://server",verbose=TRUE,ftp.use.epsv=TRUE, dirlistonly = TRUE)
结果变量是字符类型:
typeof(result)
[1] "character"
示例内容如下:
有趣的文件_20150629.txt20 Aug-2015 09:31 289K\n有趣 file_20150630.txt20 Aug-2015 09:31 293K\n有趣 file_20150701.txt20 Aug-2015 09:31 301K\n有趣 file_20150702.txt2015 年 8 月 09:31 304K\n有趣 file_20150703.txt2015 年 8 月 09:31 301K\n有趣 file_20150704.txt20 八月 2015 09:31 300K\n有趣 file_20150705.txt20 Aug-2015 09:31 300K\n有趣 file_20150706.txt20 Aug-2015 09:31 305K\n有趣 文件_20150707.txt2015 年 8 月 09:31 305K\n有趣 file_20150708.txt2015 年 8 月 09:31 301K\n有趣 file_20150709.txt2015 年 8 月 09:31 294K\n
\n\n\n"
所以现在,我正在尝试解析结果内容:
myFiles <- strsplit(result,'<a[^>]* href=\\"([^"]*.txt)\\"')[[1]]
希望我能匹配 txt 文件(因为它在括号中:())。但它匹配:
">Interesting file_20150706.txt</a></td><td align=\"right\">20 Aug-2015 09:31 </td><td align=\"right\">305K</td></tr>\n<tr><td valign=\"top\"><img src=\"/apacheIcons/text.gif\" alt=\"[TXT]\"></td><td>
改为。
出了什么问题(我在https://regex101.com/ 上测试了我的表达式)或者(也许这个问题更合适)有更简单的方法来获取 R 中服务器上具有特定扩展名的文件列表! ?
【问题讨论】:
【参考方案1】:你真的不应该在 html 上使用正则表达式。 XML
包使这非常简单。我们可以使用getHTMLLinks()
来收集我们想要的任何链接。
library(XML)
getHTMLLinks(result)
# [1] "Interesting file_20150629.txt" "Interesting file_20150630.txt"
# [3] "Interesting file_20150701.txt" "Interesting file_20150702.txt"
# [5] "Interesting file_20150703.txt" "Interesting file_20150704.txt"
# [7] "Interesting file_20150705.txt" "Interesting file_20150706.txt"
# [9] "Interesting file_20150707.txt" "Interesting file_20150708.txt"
# [11] "Interesting file_20150709.txt"
这将获得包含在//a
中的所有/@href
链接。要仅获取 包含 .txt
的那些,您可以使用与默认不同的 XPath 查询。
getHTMLLinks(result, xpQuery = "//a/@href[contains(., '.txt')]")
或者更准确地说,要获取那些以.txt
结束的文件,您可以这样做
getHTMLLinks(
result,
xpQuery = "//a/@href['.txt'=substring(., string-length(.) - 3)]"
)
【讨论】:
很好的回应!我仍然不知道我的正则表达式出了什么问题,但是您的解决方案完美无缺!!! 是的,不错的代码。这对我帮助很大。尤其是最后两节。【参考方案2】:不加载其他库的替代方法是将 ftp.use.epsv=FALSE 和 crlf = TRUE。这将指示 libcurl 将 \n's 更改为 \r\n's:
require("RCurl")
result <- getURL("http://server",verbose=TRUE,ftp.use.epsv=FALSE, dirlistonly = TRUE, crlf = TRUE)
然后使用 paste 和 strsplit 将各个 URL 提取到文件中,
result2 <- paste("http://server", strsplit(result, "\r*\n")[[1]], sep = "")
【讨论】:
以上是关于在 R 中列出 HTTP/FTP 服务器上的文件的主要内容,如果未能解决你的问题,请参考以下文章
用于在没有 -R 的 FTP 服务器上列出递归目录的 Bash 脚本
使用 Paramiko 在 Python 中列出与通配符匹配的 SFTP 服务器上的文件