在文件夹中查找数据并提供有关缺失数据的反馈

Posted 2023-05-06

【中文标题】在文件夹中查找数据并提供有关缺失数据的反馈

【英文标题】：Find data in folders and give feedback about missing data

【发布时间】：2019-09-12 19:12:28

【问题描述】：

我有一个 R 脚本来创建一个大数据集（实际上是欧洲的数据集）的几个小部分。与使用一个大数据集相比，我们需要这些小部分（瓦片）来更轻松地编辑这些瓦片。

现在我有 1 个 windows 文件夹，在这个文件夹中我有 966 个自动生成的文件夹 - 每个文件夹有 4 个数据集（我希望至少是 4 个）。我们需要知道文件夹中是否正好有这 4 个数据集，如果缺少某些数据集，我们需要知道是哪一个。您可以在下面看到的代码正在创建文件夹。它发布只是为了让您了解结构。

in_file <- "P:/High_Resolution_Layers/Forest... .tif/2015/TCD_2015_020m_eu_03035_d04_full/TCD_2015_020m_eu_03035_d04_full.tif"


for (t in 1:length(tiles))

  tileID <- tiles[t]

  out_dir <- file.path(output_dir,tileID)
  # out_dir_tmp <- file.path(out_dir, "tmp")
  if(!exists(out_dir)) dir.create(out_dir, recursive = T)
  # if(!exists(out_dir)) dir.create(out_dir_tmp, recursive = T)

  # tmp_file <- file.path(out_dir_tmp, paste0(tileID, "_HRL_Forest.tif")) ## <- ändern ("_HRL_Forest.tif", _clc_2012.tif, _clc_2018.tif, _slope.tif)
  out_file <- file.path(out_dir, paste0(tileID, "_HRL_Forest.tif")) ## <- ändern ("_HRL_Forest.tif", _clc_2012.tif, _clc_2018.tif, _slope.tif)

  cmd <- paste("gdalwarp",
               "-overwrite",
               "-s_srs EPSG:3035",
               "-t_srs EPSG:3035",
               "-r near",
               "-q",
               "-tr 20 20",
               "-te ", tile_list[t,3],tile_list[t,4],tile_list[t,3]+100000, tile_list[t,4]+100000,
               "-tap",
               "-of GTiff",
               in_file,
               out_file)

  system(osgeo, input=cmd)

  # cmd <- sprintf('gdal_translate -ot Byte -a_nodata 255 -co "COMPRESS=LZW" %s %s', tmp_file, out_file)
  # system(osgeo, input=cmd)

  # unlink(out_dir_tmp,recursive=T)

【问题讨论】：

这里有代码是一件好事，但我承认我不想运行在每个文件夹和文件中生成近 1000 个文件夹和文件的东西。同样，您的问题不需要gdalwarp 即可找到问题的根源。您能否调整/减少问题以检查 3 个文件夹，每个文件夹包含 2-4 个文本文件？让更多人看到它的诀窍是让它易于重现，安装 gdalwarp 的人和使用 SO 的人之间的维恩重叠可能并不大。另外，您为验证自动化尝试了什么？

“你能否调整/减少问题以检查 3 个文件夹，每个文件夹包含 2-4 个文本文件？” --> 不，我们正是需要这种结构。 926 个文件夹，包含多个文件（最多 10 个文件）。 “您为验证自动化尝试了什么？” --> 我用以下表达式进行了尝试： list.files(path = "T:/Processing/2734_EEA_HRL2018_Lot1/02_Interim_Products/LOT1_input_tiles", pattern = NULL, all.files = FALSE, full.names = FALSE, recursive = TRUE, ignore.case = FALSE, include.dirs = TRUE, no.. = FALSE) 但是最大写入限制限制了它，我不知道是否缺少某些东西

我认为我的回答解决了我的观点，但要明确一点：我不是在问你是否可以改变你的实际要求，我建议你可以简化你提出问题的方式 最小。而且由于我们没有任何文件可以“播放”和测试，所以它也不是一个工作示例。您可能会看到人们将此作为“MWE”提出要求，也被表述为一个完全可重复（但仍然很少）的问题。

【参考方案1】：

我要编一个结构和文件列表。

目录A 到D 每个目录都必须有文件a.tif 虽然c.tif

由于所有目录中必须有相同的文件，我们可以对它们进行笛卡尔/outer 连接：

dirs <- LETTERS[1:4]
files_each_dir <- paste0(letters[1:3], ".tif")
(all_files <- outer(dirs, files_each_dir, file.path))
#      [,1]      [,2]      [,3]     
# [1,] "A/a.tif" "A/b.tif" "A/c.tif"
# [2,] "B/a.tif" "B/b.tif" "B/c.tif"
# [3,] "C/a.tif" "C/b.tif" "C/c.tif"
# [4,] "D/a.tif" "D/b.tif" "D/c.tif"

由于我们不需要matrix，我将取消列出它们，然后创建目录/文件：

c(all_files)
#  [1] "A/a.tif" "B/a.tif" "C/a.tif" "D/a.tif" "A/b.tif" "B/b.tif" "C/b.tif"
#  [8] "D/b.tif" "A/c.tif" "B/c.tif" "C/c.tif" "D/c.tif"
for (d in dirs) dir.create(d)
for (p in all_files) writeLines(p, p)

所有预期的文件都存在

(files_found <- list.files(pattern = "*.tif", recursive = TRUE, full.names = TRUE))
#  [1] "./A/a.tif" "./A/b.tif" "./A/c.tif" "./B/a.tif" "./B/b.tif" "./B/c.tif"
#  [7] "./C/a.tif" "./C/b.tif" "./C/c.tif" "./D/a.tif" "./D/b.tif" "./D/c.tif"
### remove the leading "./"
(files_found <- gsub("^\\./", "", files_found))
#  [1] "A/a.tif" "A/b.tif" "A/c.tif" "B/a.tif" "B/b.tif" "B/c.tif" "C/a.tif"
#  [8] "C/b.tif" "C/c.tif" "D/a.tif" "D/b.tif" "D/c.tif"
all(all_files %in% files_found)
# [1] TRUE
all_files[!all_files %in% files_found]
# character(0)

测试丢失的文件：

file.remove("B/c.tif")
# [1] TRUE
files_found <- list.files(pattern = "*.tif", recursive = TRUE, full.names = TRUE)
files_found <- gsub("^\\./", "", files_found)
all_files[!all_files %in% files_found]
# [1] "B/c.tif"

注意：我们不会将files_each_dir 用于任何后续测试。仅当我们需要一组固定的文件名时才需要它。

计算每个目录中的文件数

如果文件名可能不同，那么我们可以计算每个目录中的文件数，而不考虑实际名称。

(len3 <- lengths(split(files_found, sapply(strsplit(files_found, "[/\\]"), `[[`, 1))) == 3)
#     A     B     C     D 
#  TRUE FALSE  TRUE  TRUE 
names(len3)[ !len3 ]
# [1] "B"

文件内容

如果您需要测试内容以使某些条件为真，请尝试这样的操作。在这里，我使用了简单的 shell 命令grep，但是任何采用路径并返回您需要的内容（大小、属性等）的函数（R 或 shell）都应该可以工作。

func <- function(path) length(system2("grep", c("-lE", "'[a-z]'", path), stdout = TRUE)) > 0
(proper_contents <- sapply(files_found, func))
# A/a.tif A/b.tif A/c.tif B/a.tif B/b.tif C/a.tif C/b.tif C/c.tif D/a.tif D/b.tif 
#    TRUE    TRUE    TRUE    TRUE    TRUE    TRUE    TRUE    TRUE    TRUE    TRUE 
# D/c.tif 
#    TRUE 

让我们更改一个文件的内容来测试：

writeLines("123", "D/a.tif")
proper_contents <- sapply(files_found, func)
# Warning in system2("grep", c("-lE", "'[a-z]'", path), stdout = TRUE) :
#   running command '"grep" -lE '[a-z]' D/a.tif' had status 1
names(proper_contents)[ !proper_contents ]
# [1] "D/a.tif"