在遞歸壓縮檔案中搜尋特定大小的文件

Question 1

首先，安裝AVFS，一個提供檔案內部透明存取的檔案系統，並運行命令mountavfs。看如何遞歸地 grep 遍歷壓縮檔案？為背景。

此後，如果/path/to/archive.zip是一個可識別的存檔，則~/.avfs/path/to/archive.zip#是一個似乎包含該存檔內容的目錄。

編寫一個名為的輔助腳本has_large_file_rec，在作為參數傳遞的 zip 檔案中尋找大型 XML 文件，並在每個嵌入的 zip 檔案上遞歸呼叫自身。如果該腳本發現其中有一個大的 XML 文件，則會產生一些輸出。為了提高效率，輸出被截斷，因為一旦我們找到一個大的 XML 文件，我們就可以停止搜尋。

#!/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

在頂層，如果發現大文件，請將其移至大文件目錄。

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

首先，安裝AVFS，一個提供檔案內部透明存取的檔案系統，並運行命令mountavfs。看如何遞歸地 grep 遍歷壓縮檔案？為背景。

此後，如果/path/to/archive.zip是一個可識別的存檔，則~/.avfs/path/to/archive.zip#是一個似乎包含該存檔內容的目錄。

編寫一個名為的輔助腳本has_large_file_rec，在作為參數傳遞的 zip 檔案中尋找大型 XML 文件，並在每個嵌入的 zip 檔案上遞歸呼叫自身。如果該腳本發現其中有一個大的 XML 文件，則會產生一些輸出。為了提高效率，輸出被截斷，因為一旦我們找到一個大的 XML 文件，我們就可以停止搜尋。

#!/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

在頂層，如果發現大文件，請將其移至大文件目錄。

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

一種方法是使用perl.

內容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 );
}

一些問題：

xmlzip當複製到臨時目錄時，檔案子樹中具有相同名稱的檔案將被覆蓋。
程式會提取同一樹的所有 zip 檔案的內容，然後檢查是否xml大於 100MB。每次解壓縮 zip 檔案時進行檢查會更快。它可以改進。
它不會快取多次處理的 zip 檔案。
~/big_files必須存在並且可寫。
該腳本不接受參數。您必須在zip和文件所在的目錄中運行它xml。

正如您在前面的幾點中看到的那樣，它並不完美，但它在我的測試中有效。我希望它對你有用。

像這樣運行它：

perl script.pl

Answer