如何使用 python 以编程方式计算存档中的文件数
Posted
技术标签:
【中文标题】如何使用 python 以编程方式计算存档中的文件数【英文标题】:How to programmatically count the number of files in an archive using python 【发布时间】:2015-09-16 10:43:45 【问题描述】:在我维护的程序中,它是这样完成的:
# count the files in the archive
length = 0
command = ur'"%s" l -slt "%s"' % (u'path/to/7z.exe', srcFile)
ins, err = Popen(command, stdout=PIPE, stdin=PIPE,
startupinfo=startupinfo).communicate()
ins = StringIO.StringIO(ins)
for line in ins: length += 1
ins.close()
-
真的是唯一的方法吗?我似乎找不到any other command,但我不能只询问文件的数量似乎有点奇怪
错误检查呢?将其修改为:
proc = Popen(command, stdout=PIPE, stdin=PIPE,
startupinfo=startupinfo)
out = proc.stdout
# ... count
returncode = proc.wait()
if returncode:
raise Exception(u'Failed reading number of files from ' + srcFile)
还是我应该真正解析 Popen 的输出?
编辑:对 7z、rar、zip 档案(由 7z.exe 支持)感兴趣 - 但 7z 和 zip 对于初学者来说已经足够了
【问题讨论】:
您应该支持哪种类型的存档? 对于 zip,tar 检查 docs.python.org/2/library/zipfile.html 和 docs.python.org/2/library/tarfile.html @LoïcFaure-Lacroix:谢谢 - 已编辑。我绝对需要 7z... 也许看看这个? github.com/fancycode/pylzma/blob/master/py7zlib.py py7zlib 应该能够读取存档。之后,您可以使用类似于 zipfile 或 tarfile 的东西来提取其中的名称 (py7zlib.Archive7z.getnames)。 【参考方案1】:在 Python 中计算 zip 存档中存档成员的数量:
#!/usr/bin/env python
import sys
from contextlib import closing
from zipfile import ZipFile
with closing(ZipFile(sys.argv[1])) as archive:
count = len(archive.infolist())
print(count)
它可以使用zlib
、bz2
、lzma
模块(如果可用)来解压缩存档。
要计算 tar 存档中常规文件的数量:
#!/usr/bin/env python
import sys
import tarfile
with tarfile.open(sys.argv[1]) as archive:
count = sum(1 for member in archive if member.isreg())
print(count)
它可能支持gzip
、bz2
和lzma
压缩,具体取决于Python版本。
您可以找到一个为 7z 存档提供类似功能的第 3 方模块。
使用7z
实用程序获取存档中的文件数:
import os
import subprocess
def count_files_7z(archive):
s = subprocess.check_output(["7z", "l", archive], env=dict(os.environ, LC_ALL="C"))
return int(re.search(br'(\d+)\s+files,\s+\d+\s+folders$', s).group(1))
如果存档中有很多文件,这里的版本可能会使用更少的内存:
import os
import re
from subprocess import Popen, PIPE, CalledProcessError
def count_files_7z(archive):
command = ["7z", "l", archive]
p = Popen(command, stdout=PIPE, bufsize=1, env=dict(os.environ, LC_ALL="C"))
with p.stdout:
for line in p.stdout:
if line.startswith(b'Error:'): # found error
error = line + b"".join(p.stdout)
raise CalledProcessError(p.wait(), command, error)
returncode = p.wait()
assert returncode == 0
return int(re.search(br'(\d+)\s+files,\s+\d+\s+folders', line).group(1))
例子:
import sys
try:
print(count_files_7z(sys.argv[1]))
except CalledProcessError as e:
getattr(sys.stderr, 'buffer', sys.stderr).write(e.output)
sys.exit(e.returncode)
计算通用子进程输出中的行数:
from functools import partial
from subprocess import Popen, PIPE, CalledProcessError
p = Popen(command, stdout=PIPE, bufsize=-1)
with p.stdout:
read_chunk = partial(p.stdout.read, 1 << 15)
count = sum(chunk.count(b'\n') for chunk in iter(read_chunk, b''))
if p.wait() != 0:
raise CalledProcessError(p.returncode, command)
print(count)
支持无限输出。
您能否解释一下为什么 buffsize=-1(而不是您之前的回答中的 buffsize=1:***.com/a/30984882/281545)
bufsize=-1
表示在 Python 2 上使用默认 I/O 缓冲区大小而不是 bufsize=0
(无缓冲)。这是对 Python 2 的性能提升。在最近的 Python 3 版本中是默认设置。如果在 bufsize
未更改为 bufsize=-1
的某些早期 Python 3 版本上,您可能会得到简短的读取(丢失数据)。
此答案以块的形式读取,因此流被完全缓冲以提高效率。 The solution you've linked 是面向行的。 bufsize=1
表示“行缓冲”。否则与bufsize=-1
的区别很小。
还有 read_chunk = partial(p.stdout.read, 1
它等同于read_chunk = lambda: p.stdout.read(1<<15)
,但通常提供更多的内省。用于implement wc -l
in Python efficiently。
【讨论】:
嘿,谢谢!您能否解释一下为什么 buffsize=-1(而不是您之前的回答中的 buffsize=1:***.com/a/30984882/281545)-以及read_chunk = partial(p.stdout.read, 1 << 15)
给我们带来了什么?真的,这个buffsize
对我来说是一个谜(以及我的谷歌尝试)。同时,由于我已经捆绑了7z.exe
(并且我希望显示确切的错误),我想我会接受我的答案(除非我做了任何公然愚蠢的事情)
@Mr_and_Mrs_D:您可能应该将7z.exe
中的错误处理作为一个单独的问题询问:包括以下内容:7z
是否提供了一组退出代码来指示各种错误,例如, zip
utility does? 7z
会将其错误消息打印到 stderr 还是将它们与 stdout 中的存档成员列表混合在一起?
我会找时间做,一定要提到你 - 谢谢 :) - 退出代码:sevenzip.osdn.jp/chm/cmdline/exit_codes.htm
@Mr_and_Mrs_D:所有代码都应该按原样工作,即不需要-scsUTF-8 -sccUTF-8
。注意:基于check_output()
的版本可能比count_files_7z()
和Popen()
使用更多的内存,但错误处理是相同的——您可以使用count_files_7z()
实现运行示例——尽管第二个变体不存储输出直到遇到错误(这就是它使用较少内存的原因)。
@Mr_and_Mrs_D:否则您可能会收到另一种语言的消息(取决于您的语言环境),并且使用英文单词“files”、“folders”的正则表达式可能会失败。【参考方案2】:
由于我已经将 7z.exe 与应用程序捆绑在一起,我当然希望避免使用第三方库,而我确实需要解析 rar 和 7z 档案,我想我会使用:
regErrMatch = re.compile(u'Error:', re.U).match # needs more testing
r"""7z list command output is of the form:
Date Time Attr Size Compressed Name
------------------- ----- ------------ ------------ ------------------------
2015-06-29 21:14:04 ....A <size> <filename>
where ....A is the attribute value for normal files, ....D for directories
"""
reFileMatch = re.compile(ur'(\d|:|-|\s)*\.\.\.\.A', re.U).match
def countFilesInArchive(srcArch, listFilePath=None):
"""Count all regular files in srcArch (or only the subset in
listFilePath)."""
# https://***.com/q/31124670/281545
command = ur'"%s" l -scsUTF-8 -sccUTF-8 "%s"' % ('compiled/7z.exe', srcArch)
if listFilePath: command += u' @"%s"' % listFilePath
proc = Popen(command, stdout=PIPE, startupinfo=startupinfo, bufsize=-1)
length, errorLine = 0, []
with proc.stdout as out:
for line in iter(out.readline, b''):
line = unicode(line, 'utf8')
if errorLine or regErrMatch(line):
errorLine.append(line)
elif reFileMatch(line):
length += 1
returncode = proc.wait()
if returncode or errorLine: raise StateError(u'%s: Listing failed\n' +
srcArch + u'7z.exe return value: ' + str(returncode) +
u'\n' + u'\n'.join([x.strip() for x in errorLine if x.strip()]))
return length
@JFSebastien 在Python Popen - wait vs communicate vs CalledProcessError 中的错误检查
我的最终(ish)基于接受的答案 - 可能不需要 unicode,现在保留它,因为我在任何地方都使用它。还保留了正则表达式(我可能会扩展,我见过像re.compile(u'^(Error:.+|.+ Data Error?|Sub items Errors:.+)',re.U)
这样的东西。将不得不查看 check_output 和 CalledProcessError。
def countFilesInArchive(srcArch, listFilePath=None):
"""Count all regular files in srcArch (or only the subset in
listFilePath)."""
command = [exe7z, u'l', u'-scsUTF-8', u'-sccUTF-8', srcArch]
if listFilePath: command += [u'@%s' % listFilePath]
proc = Popen(command, stdout=PIPE, stdin=PIPE, # stdin needed if listFilePath
startupinfo=startupinfo, bufsize=1)
errorLine = line = u''
with proc.stdout as out:
for line in iter(out.readline, b''): # consider io.TextIOWrapper
line = unicode(line, 'utf8')
if regErrMatch(line):
errorLine = line + u''.join(out)
break
returncode = proc.wait()
msg = u'%s: Listing failed\n' % srcArch.s
if returncode or errorLine:
msg += u'7z.exe return value: ' + str(returncode) + u'\n' + errorLine
elif not line: # should not happen
msg += u'Empty output'
else: msg = u''
if msg: raise StateError(msg) # consider using CalledProcessError
# number of files is reported in the last line - example:
# 3534900 325332 75 files, 29 folders
return int(re.search(ur'(\d+)\s+files,\s+\d+\s+folders', line).group(1))
将根据我的发现对其进行编辑。
【讨论】:
您可以在这里使用for line in out:
或更好的for line in io.TextIOWrapper(out, encoding='utf-8'):
(将字节解码为Unicode 并启用通用换行模式)。不要使用if len(container)
,而是使用if container
(空容器在 Python 中为 False)。 line.startswith('Error:')
可以用来代替 regErrMatch
正则表达式。您确定7z
将其错误打印到标准输出(很不幸)?请follow pep-8 naming conventions unless you have a specific reason not to。
是的 7z 在 stdout (...) 中打印其输出 - TextIOWrapper 我会看看。 regErrMatch:我可能需要详细说明错误的正则表达式。 PEP8 - 它是遗留代码,慢慢 PEP8 'ing 它(另见:youtube.com/watch?v=wf-BqAjZb8M - 虽然 79 个字符,我完全同意)以上是关于如何使用 python 以编程方式计算存档中的文件数的主要内容,如果未能解决你的问题,请参考以下文章