Python中的Read.tar.gz文件
我有一个25GB的文本文件。所以我把它压缩到tar.gz,变成了450MB。现在我想从python中读取该文件并处理文本数据。但在我的情况下,代码不起作用。代码如下:Python中的Read.tar.gz文件,python,file,tar,gzip,Python,File,Tar,Gzip,我有一个25GB的文本文件。所以我把它压缩到tar.gz,变成了450MB。现在我想从python中读取该文件并处理文本数据。但在我的情况下,代码不起作用。代码如下: import tarfile import numpy as np tar = tarfile.open("filename.tar.gz", "r:gz") for member in tar.getmembers(): f=tar.extractfile(member) content = f.read
import tarfile
import numpy as np
tar = tarfile.open("filename.tar.gz", "r:gz")
for member in tar.getmembers():
f=tar.extractfile(member)
content = f.read()
Data = np.loadtxt(content)
Traceback (most recent call last):
File "dataExtPlot.py", line 21, in <module>
content = f.read()
AttributeError: 'NoneType' object has no attribute 'read'
错误如下:
import tarfile
import numpy as np
tar = tarfile.open("filename.tar.gz", "r:gz")
for member in tar.getmembers():
f=tar.extractfile(member)
content = f.read()
Data = np.loadtxt(content)
Traceback (most recent call last):
File "dataExtPlot.py", line 21, in <module>
content = f.read()
AttributeError: 'NoneType' object has no attribute 'read'
回溯(最近一次呼叫最后一次):
文件“dataExtPlot.py”,第21行,在
content=f.read()
AttributeError:“非类型”对象没有属性“读取”
另外,还有其他方法可以执行此任务吗?如果成员不是常规文件或链接,则extractfile()将不返回任何方法
一种可能的解决方案是跳过“无”结果:
如果成员既不是文件也不是链接,则可以返回None
。例如,您的tar存档可能包含目录或设备文件。要修复:
import tarfile
import numpy as np
tar = tarfile.open("filename.tar.gz", "r:gz")
for member in tar.getmembers():
f = tar.extractfile(member)
if f:
content = f.read()
Data = np.loadtxt(content)
你可以试试这个
t = tarfile.open("filename.gz", "r")
for filename in t.getnames():
try:
f = t.extractfile(filename)
Data = f.read()
print filename, ':', Data
except :
print 'ERROR: Did not find %s in tar archive' % filename
您无法“读取”某些特殊文件(如链接)的内容,但tar支持这些文件,tarfile将正确提取它们。当tarfile
提取它们时,它不会返回类似文件的对象,但不会返回任何对象。你会得到一个错误,因为你的tarball包含这样一个特殊的文件
一种方法是在提取tarball之前确定您正在处理的tarball中的条目类型:有了这些信息,您可以决定是否可以“读取”该文件。您可以通过调用tarfile.getmembers()
返回tarfile.TarInfo
s来实现这一点,其中包含有关tarball中包含的文件类型的详细信息
tarfile.TarInfo
类具有确定tar成员类型所需的所有属性和方法,例如isfile()
或isdir()
或tinfo.islnk()
或tinfo.issym()
,然后相应地决定如何处理每个成员(提取或不提取,等等)
例如,我使用这些来测试中的文件类型,以跳过提取特殊文件并以特殊方式处理链接:
for tinfo in tar.getmembers():
is_special = not (tinfo.isfile() or tinfo.isdir()
or tinfo.islnk() or tinfo.issym())
...
在Jupyter笔记本中,您可以执行以下操作
!wget -c http://qwone.com/~jason/20Newsgroups/20news-bydate.tar.gz -O - | tar -xz
我的需求:
with tarfile.open("sample.tar.gz", "r:gz") as tar:
for tarinfo in tar:
logger.info(f"{tarinfo.name} is {tarinfo.size} bytes in size and is: ")
if tarinfo.isreg():
logger.info(f"Is regular file: {tarinfo.name}")
f = tar.extractfile(tarinfo.name)
# To get the str instead of bytes str
# Decode with proper coding, e.g. utf-8
content = f.read().decode('utf-8', errors='ignore')
# Split the long str into lines
# Specify your line-sep: e.g. \n
lines = content.split('\n')
for i, line in enumerate(lines):
print(f"[{i}]: {line}\n")
elif tarinfo.isdir():
logger.info(f"Is dir: {tarinfo.name}")
else:
logger.info(f"Is something else: {tarinfo.name}.")
utf-8
文本文件和目录组成None
extractfile(fname)
返回的是字节str(例如b'Hello\t\xe4\xbd\xa0\xe5\xa5\xbd')。Unicode字符无法正确显示李>
解决方案:
with tarfile.open("sample.tar.gz", "r:gz") as tar:
for tarinfo in tar:
logger.info(f"{tarinfo.name} is {tarinfo.size} bytes in size and is: ")
if tarinfo.isreg():
logger.info(f"Is regular file: {tarinfo.name}")
f = tar.extractfile(tarinfo.name)
# To get the str instead of bytes str
# Decode with proper coding, e.g. utf-8
content = f.read().decode('utf-8', errors='ignore')
# Split the long str into lines
# Specify your line-sep: e.g. \n
lines = content.split('\n')
for i, line in enumerate(lines):
print(f"[{i}]: {line}\n")
elif tarinfo.isdir():
logger.info(f"Is dir: {tarinfo.name}")
else:
logger.info(f"Is something else: {tarinfo.name}.")
with tarfile.open("sample.tar.gz", "r:gz") as tar:
for tarinfo in tar:
logger.info(f"{tarinfo.name} is {tarinfo.size} bytes in size and is: ")
if tarinfo.isreg():
logger.info(f"Is regular file: {tarinfo.name}")
f = tar.extractfile(tarinfo.name)
# To get the str instead of bytes str
# Decode with proper coding, e.g. utf-8
content = f.read().decode('utf-8', errors='ignore')
# Split the long str into lines
# Specify your line-sep: e.g. \n
lines = content.split('\n')
for i, line in enumerate(lines):
print(f"[{i}]: {line}\n")
elif tarinfo.isdir():
logger.info(f"Is dir: {tarinfo.name}")
else:
logger.info(f"Is something else: {tarinfo.name}.")
类似于如果成员不是上述任何一个,则不会返回任何成员。该成员不是文件或链接。感谢提供代码片段。不过,您要读取两次-一次是在设置“数据”变量时读取,下一次是在打印时读取。你能改变你的代码来解决这个问题吗?使用
content=codecs.getreader(“utf-8”)(f)
将ByTestStream转换成stringstream!资料来源: