再帰的な圧縮アーカイブ内で特定のサイズのファイルを検索する

Question 1

まずインストールAVFSは、アーカイブ内で透過的なアクセスを提供するファイルシステムであり、コマンドを実行しますmountavfs。圧縮されたアーカイブを再帰的に grep するにはどうすればいいですか?背景用。

この後、/path/to/archive.zipが認識されたアーカイブである場合、は~/.avfs/path/to/archive.zip#アーカイブの内容を含むと思われるディレクトリです。

引数として渡された zip ファイル内の大きな XML ファイルを検索し、埋め込まれたすべての zip ファイルに対して自分自身を再帰的に呼び出す、という補助スクリプトを作成しますhas_large_file_rec。このスクリプトは、内部に大きな XML ファイルを見つけた場合に何らかの出力を生成します。出力は効率化のために切り捨てられます。大きな XML ファイルが 1 つ見つかったら、検索を停止したほうがよいためです。

#!/bin/sh
## auxiliary script has_large_file_rec
find "$1#" -name '*.zip' -type f -exec has_large_file_rec {} \; \
        -o -name '*.xml' -type f -size +1024k -print | head -n 1

最上位レベルで大きなファイルが見つかった場合は、それを大きなファイルディレクトリに移動します。

find "~/.avfs$PWD" \
  -name '*.zip' -sh -c '
      a=$(has_large_file_rec "$0")
      if [ -n "$a" ]; then mv "$0" ~/big-files/; fi
                       ' {} \; -o \
  -name '*.xml' -type f -size +1024k -exec mv {} ~/big-files/ \;

Answer

まずインストールAVFSは、アーカイブ内で透過的なアクセスを提供するファイルシステムであり、コマンドを実行しますmountavfs。圧縮されたアーカイブを再帰的に grep するにはどうすればいいですか?背景用。

この後、/path/to/archive.zipが認識されたアーカイブである場合、は~/.avfs/path/to/archive.zip#アーカイブの内容を含むと思われるディレクトリです。

引数として渡された zip ファイル内の大きな XML ファイルを検索し、埋め込まれたすべての zip ファイルに対して自分自身を再帰的に呼び出す、という補助スクリプトを作成しますhas_large_file_rec。このスクリプトは、内部に大きな XML ファイルを見つけた場合に何らかの出力を生成します。出力は効率化のために切り捨てられます。大きな XML ファイルが 1 つ見つかったら、検索を停止したほうがよいためです。

#!/bin/sh
## auxiliary script has_large_file_rec
find "$1#" -name '*.zip' -type f -exec has_large_file_rec {} \; \
        -o -name '*.xml' -type f -size +1024k -print | head -n 1

最上位レベルで大きなファイルが見つかった場合は、それを大きなファイルディレクトリに移動します。

find "~/.avfs$PWD" \
  -name '*.zip' -sh -c '
      a=$(has_large_file_rec "$0")
      if [ -n "$a" ]; then mv "$0" ~/big-files/; fi
                       ' {} \; -o \
  -name '*.xml' -type f -size +1024k -exec mv {} ~/big-files/ \;

Question 2

を使用する 1 つの方法perl。

の内容script.pl：

use warnings;
use strict;
use Archive::Extract;
use List::Util qw|first|;
use File::Copy qw|move|;
use File::Spec;
use File::Path qw|remove_tree|;

## Path to save 'xml' and 'zip' files.
my $big_files_dir = qq|$ENV{HOME}/big_files/|;

## Temp dir to extract files of 'zips'.
my $zips_path = qq|/tmp/zips$$/|;

## Size in bytes to check 'xml' files.
my $file_max_size_bytes = 100 * 1024 * 1024;

my (@zips_to_move, $orig_zip);

## Get files to process.
my @files = <*.xml *.zip>;                                                                                                                                                                                                                   

## From previous list, copy 'xml' files bigger than size limit.                                                                                                                                                                              
for my $file ( @files ) {                                                                                                                                                                                                                    
        if ( substr( $file, -4 ) eq q|.xml| and -s $file > $file_max_size_bytes ) {                                                                                                                                                          
                move $file, $big_files_dir;                                                                                                                                                                                                  
        }                                                                                                                                                                                                                                    
}                                                                                                                                                                                                                                            

## Process now 'zip' files. For each one remove temp dir to avoid mixing files                                                                                                                                                               
## from different 'zip' files.                                                                                                                                                                                                               
for ( grep { m/\.zip\Z/ } @files ) {                                                                                                                                                                                                         
        remove_tree $zips_path;                                                                                                                                                                                                              
        $orig_zip = $_;                                                                                                                                                                                                                      
        handle_zip_file( $orig_zip );                                                                                                                                                                                                        
}                                                                                                                                                                                                                                            

## Copy 'zip' files got until now.                                                                                                                                                                                                           
for my $zip_file ( @zips_to_move ) {                                                                                                                                                                                                         
        move $zip_file, $big_files_dir;                                                                                                                                                                                                      
}                                                                                                                                                                                                                                            

## Traverse recursively each 'zip file. It will look for 'zip' file in the                                                                                                                                                                   
## subtree and will extract all 'xml' files to a temp dir. Base case is when                                                                                                                                                                 
## a 'zip' file only contains 'xml' files, then I will read size of all 'xmls'                                                                                                                                                               
## and will copy the 'zip' if at least one of them if bigger than the size limit.                                                                                                                                                            
## To avoid an infinite loop searching into 'zip' files, I delete them just after                                                                                                                                                            
## the extraction of its content.                                                                                                                                                                                                            
sub handle_zip_file {                                                                                                                                                                                                                        
        my ($file) = @_;                                                                                                                                                                                                                     

        my $ae = Archive::Extract->new(                                                                                                                                                                                                      
                archive => $file,                                                                                                                                                                                                            
                type => q|zip|,                                                                                                                                                                                                              
        );                                                                                                                                                                                                                                   

        $ae->extract(
                to => $zips_path,
        );

        ## Don't check fails. I don't worry about them, ¿perhaps should I?
        unlink( File::Spec->catfile( 
                                (File::Spec->splitpath( $zips_path ))[1], 
                                (File::Spec->splitpath( $file ))[2],
                        )
        );

        my $zip = first { substr( $_, -4 ) eq q|.zip| } <$zips_path/*>;
        if ( ! $zip ) {
                for my $f ( <$zips_path/*.xml> ) {
                        if ( substr( $f, -4 ) eq q|.xml| and -s $f > $file_max_size_bytes ) {
                                push @zips_to_move, $orig_zip;
                                last;
                        }
                }
                return;
        }

        handle_zip_file( $zip );
}

いくつかの問題点:

xmlファイルのサブツリー内の同じ名前のファイルは、一時zipディレクトリにコピーされると上書きされます。
このプログラムは、同じツリーのすべての zip ファイルの内容を抽出し、xml100 MB より大きいサイズがないかチェックします。 zip ファイルを抽出するたびにチェックする方が高速です。改善の余地があります。
複数回処理された zip ファイルはキャッシュされません。
~/big_files存在し、書き込み可能である必要があります。
zipスクリプトは引数を受け入れません。およびファイルと同じディレクトリで実行する必要がありますxml。

前のポイントでわかるように完璧ではありませんが、私のテストではうまくいきました。皆さんのお役に立てれば幸いです。

次のように実行します:

perl script.pl

Answer