我的服务器正在填满,我需要自动删除文件。文件通常每天都会添加到我的服务器中,但有时会暂停每两周和每月一次。他们停止进入数月然后重新开始,这是不可预测的。
我的脚本需要删除超过30天的文件,但始终保留其找到的任何文件模式的最新5个文件。这是棘手的部分。
关于文件唯一可预测的事情/模式是文件总是在某处包含yyyymmddhhmmss时间戳和一些重复的模式, 文件名的其他部分并不总是可预测的。如果文件没有时间戳,我不想删除它。
示例目录我有这样的东西
20121118011335_team1-pathway_Truck_Report_Data_10342532.zip
20121119011335_team1-pathway_Truck_Report_Data_102345234.zip
20121120011335_team1-pathway_Truck_Report_Data_10642224.zip
20121121011335_team1-pathway_Truck_Report_Data_133464.zip
20121122011335_team1-pathway_Truck_Report_Data_126434344.zip
20121123011335_team1-pathway_Truck_Report_Data_12444656.zip
20121124011335_team1-pathway_Truck_Report_Data_1624444.zip
20121125011335_team1-pathway_Truck_Report_Data_3464433.zip
randomefilewithnodate.zip
20121119011335_team2-Paper_Size_Report_336655.zip
20121120011335_team2-Paper_Size_Report_336677.zip
20121121011335_team2-Paper_Size_Report_338877.zip
20121122011335_team2-Paper_Size_Report_226688.zip
20121123011335_team2-Paper_Size_Report_776688.zip
20121124011335_team2-Paper_Size_Report_223355.zip
20121125011335_team2-Paper_Size_Report_111111.zip
在这种情况下,我的脚本应该只删除第一个模式的最旧的3个文件
20121118011335_team1-pathway_Truck_Report_Data_10342532.zip
20121119011335_team1-pathway_Truck_Report_Data_102345234.zip
20121120011335_team1-pathway_Truck_Report_Data_10642224.zip
和第二个模式的最旧的2个文件
20121119011335_team2-Paper_Size_Report_336655.zip
20121120011335_team2-Paper_Size_Report_336677.zip
这样它可以保存5个最新的文件,并且无法触摸没有日期的文件
我的问题是我无法知道究竟会跟着什么yyyymmddhhmmss_ 我只知道它将是yyyymmddhhmmss_something_consistent_random_random或yyyymmddhhmmss_something_consistent_something_consistent_random_random.xyz
的各种迭代到目前为止,我已经提出正则表达式来匹配如果存在时间戳,但我不能想到如何使我的脚本足够聪明以检测文件的其余部分&#39 ; s模式并保持5天的模式。
欢迎任何想法!下面的脚本并不完美,我可以修复小错误。
我真的需要帮助保留5个最新的文件部分主要是
奖金问题是epoc时间的一部分。
def myCleansingMethod(self, client)
# Get rid of things older than 30 days
# 30 days has this many seconds 30 * 24 * 60 * 60
numberOfSeconds = 2592000
# establish what the epoc time of the oldest file I want to keep is
oldestFileThatIWantToKeep = time.time() - numberOfSeconds
#establish my working directory
workingDirectory = "/home/files/%s" % (client)
try:
files = os.listdir(workingDirectory)
except:
print "Could not find directory"
return
files.sort()
for file in files:
# define Full File Name (path + file)
fullFileName = "%s/%s" % (workingDirectory, file)
# make sure the file contains yyyymmddhhmmss
match = re.search(r'[0-9]{4}(1[0-2]|0[1-9])(3[01]|[12][0-9]|0[1-9])([01]\d|2[0123])([0-5]\d){2}', file)
if match:
#get what was matched in the RegEx
fileTime = match.group()
#convert fileTime to Epoc time
fileTimeToEpoc = (fileTime + NOT SURE HOW TO DO THIS PART YET)
if fileTimeToEpoc < oldestFileThatIWantToKeep AND (CODE THAT MAKES SURE THERE ARE AT LEAST 5 FILES OF THE SAME PATTERN PRESENT) :
print "Delete file: %s\t%s" % (fileTimeToEpoc, fullFileName)
command = "rm -Rf %s" % fullFileName
print command
os.system (command)
else:
pass
else:
pass
答案 0 :(得分:3)
这是一项很好的任务,我大量使用功能模式,主要来自itertools
。我喜欢使用迭代器,因为它们是可扩展的,即使对于大型列表也是如此,所涉及的功能性思想使代码可读和可维护。
首先,从itertools和datetime导入我们需要的东西:
from itertools import groupby, chain
from datetime import datetime
将您的示例文件名作为列表获取:
filenames = """20121118011335_team1-pathway_Truck_Report_Data_10342532.zip
20121119011335_team1-pathway_Truck_Report_Data_102345234.zip
20121120011335_team1-pathway_Truck_Report_Data_10642224.zip
20121121011335_team1-pathway_Truck_Report_Data_133464.zip
20121122011335_team1-pathway_Truck_Report_Data_126434344.zip
20121123011335_team1-pathway_Truck_Report_Data_12444656.zip
20121124011335_team1-pathway_Truck_Report_Data_1624444.zip
20121125011335_team1-pathway_Truck_Report_Data_3464433.zip
randomefilewithnodate.zip
20121119011335_team2-Paper_Size_Report_336655.zip
20121120011335_team2-Paper_Size_Report_336677.zip
20121121011335_team2-Paper_Size_Report_338877.zip
20121122011335_team2-Paper_Size_Report_226688.zip
20121123011335_team2-Paper_Size_Report_776688.zip
20121124011335_team2-Paper_Size_Report_223355.zip
20121125011335_team2-Paper_Size_Report_111111.zip""".split("\n")
一些辅助函数。姓名应该是自我解释。
def extract_date(s):
return datetime.strptime(s.split("_")[0], "%Y%m%d%H%M%S")
def starts_with_date(s):
try:
extract_date(s)
return True
except Exception:
return False
如果没有涵盖所有情况,您可能想要调整的下一个方法 - 对于您的示例数据,它确实如此。
def get_name_root(s):
return "".join(s.split(".")[0].split("_")[1:-1])
def find_files_to_delete_for_group(group):
sorted_group = sorted(group, key=extract_date)
return sorted_group[:-5]
现在,整个例程可以通过一些迭代来完成。首先,我过滤了文件名列表,所有那些不以数据(以您的格式)开头的文件都被过滤掉了。然后,其余的按“名称根”分组(想不出更好的名字)。
fn_groups = groupby(
filter(
starts_with_date,
filenames),
get_name_root
)
现在,对于每个组,我应用过滤方法(见上文)来查找所有那些不包含五个最新日期的文件名。为每个组找到的是chain
ed,即从多个列表创建一个迭代器:
fns_to_delete = chain(*[find_files_to_delete_for_group(g) for k, g in fn_groups])
最后,为了便于检查结果,我将迭代器转换为列表并打印出来:
print list(fns_to_delete)
此脚本的输出为:
['20121118011335_team1-pathway_Truck_Report_Data_10342532.zip', '20121119011335_team1-pathway_Truck_Report_Data_102345234.zip', '20121120011335_team1-pathway_Truck_Report_Data_10642224.zip', '20121119011335_team2-Paper_Size_Report_336655.zip', '20121120011335_team2-Paper_Size_Report_336677.zip']
如果有什么不清楚,请问。
这是整个剧本,简单的c&amp; p-ing:
from itertools import groupby, chain
from datetime import datetime
filenames = """20121118011335_team1-pathway_Truck_Report_Data_10342532.zip
20121119011335_team1-pathway_Truck_Report_Data_102345234.zip
20121120011335_team1-pathway_Truck_Report_Data_10642224.zip
20121121011335_team1-pathway_Truck_Report_Data_133464.zip
20121122011335_team1-pathway_Truck_Report_Data_126434344.zip
20121123011335_team1-pathway_Truck_Report_Data_12444656.zip
20121124011335_team1-pathway_Truck_Report_Data_1624444.zip
20121125011335_team1-pathway_Truck_Report_Data_3464433.zip
randomefilewithnodate.zip
20121119011335_team2-Paper_Size_Report_336655.zip
20121120011335_team2-Paper_Size_Report_336677.zip
20121121011335_team2-Paper_Size_Report_338877.zip
20121122011335_team2-Paper_Size_Report_226688.zip
20121123011335_team2-Paper_Size_Report_776688.zip
20121124011335_team2-Paper_Size_Report_223355.zip
20121125011335_team2-Paper_Size_Report_111111.zip""".split("\n")
def extract_date(s):
return datetime.strptime(s.split("_")[0], "%Y%m%d%H%M%S")
def starts_with_date(s):
try:
extract_date(s)
return True
except Exception:
return False
def get_name_root(s):
return "".join(s.split(".")[0].split("_")[1:-1])
def find_files_to_delete_for_group(group):
sorted_group = sorted(group, key=extract_date)
return sorted_group[:-5]
fn_groups = groupby(
filter(
starts_with_date,
filenames),
get_name_root
)
fns_to_delete = chain(*[find_files_to_delete_for_group(g) for k, g in fn_groups])
print list(fns_to_delete)
答案 1 :(得分:1)
你需要做的困难部分不是编码问题,而是定义问题,因此只能通过编写更好的代码来解决它: - )
为什么20121125011335_team1-pathway_Truck_Report_Data_3464433.zip
与20121118011335_team1-pathway_Truck_Report_Data_10342532.zip
和20121119011335_team1-pathway_Truck_Report_Data_102345234.zip
属于同一群组?你(作为一个人)如何认识到重要的共同部分是_team1-pathway_Truck_Report_Data_
而不是_team1-pathway_Truck_Report_Data_1
?
回答这个问题(我怀疑答案会涉及“下划线”和/或“数字”),你会有前进的方法。
我只知道它将是各种迭代 yyyymmddhhmmss_something_consistent_random_random或 yyyymmddhhmmss_something_consistent_something_consistent_random_random.xyz
如果这是所有可能的变化,那么我会说你需要寻找下划线包围的常见初始序列。这是因为随机的东西总是在最后,所以如果你想要将文件扩展名包含在内,那么你必须特别对待它(例如将它移到你正在比较的字符串的前面)。如果您发现多个文件共有三个“单词”而不是四个,那么您假设第四个块是“随机”而三个块是“一致的”。然后按日期对该类型的所有文件进行排序,从列表中取出最新的五个,并删除超过30天的剩余文件。
查找这些常见初始序列的“明显”方法是按照除日期之外的组件的词典顺序对文件名进行排序。然后,具有公共初始序列的文件是相邻的,因此您可以遍历列表,将每个文件与当前最长的文件运行进行比较,并使用前缀共同。
在进行编码时,请确保如果可能出现以下情况,请正确处理:
<some_date>_truck1_548372.zip
<some_date>_truck1_847284.zip
<some_date>_truck1_data_4948739.zip
<some_date>_truck1_data_9487203.zip
也就是说,确保您知道在这种情况下您是处理一个组(“truck1”)还是两个组(“truck1”和“truck1_data”)。这很重要,因为您可能希望从要求中排除任何truck1_data
个文件,以保留5个truck1
个文件。
另一种方法:
<some_date>_truck1_57349.zip
)并将其从最旧到最新排序truck1
个文件和{{ 1}}}文件)truck1_data
)truck1_data
个文件)如上所述,这是不必要的缓慢,但我认为这简单地说明了这一点。在最后一步,您实际上可以删除除剩下的5个文件之外的所有文件,并从未来的考虑中移除其他五个文件,因为您已经识别了一组文件。同样,当您删除所有共享子字符串长于他们与目标文件共享的子字符串的文件时,您已经确定了一个组,您可以将其作为一个组进行处理,而不是将其重新放回海中以供将来识别。 / p>
答案 2 :(得分:1)
关于文件唯一可预测的事情/模式是文件总是在某处包含yyyymmddhhmmss时间戳和一些重复的模式
要在文件名中的任何位置允许yyyymmddhhmmss
并自动查找重复模式,您可以先从文件名中删除yyyymmddhhmmss
,然后使用重复至少两次作为重复模式的最长前缀。
import os
from itertools import groupby
from os.path import commonprefix
def files_to_delete(topdir):
for rootdir, dirs, files in os.walk(topdir):
# find files with yyyymmddhhmmss
files_with_date = []
for filename in files:
for m in re.finditer(r"(?:^|\D)(\d{14})(?:\D|$)", filename):
date = parse_date(m.group(1))
if date is not None: # found date in the filename
# strip date
no_date = filename[:m.start(1)] + filename[m.end(1):]
# add to candidates for removal
files_with_date.append((no_date, date, filename))
break
# find repeating pattern
files_with_date.sort() # sort by filename with a removed date
# given ["team1-a", "team2-b", "team2-c"]
# yield [["team1-a"], ["team2-b", "team2-c"]] where
# roots are "team1" and "team2"
# reject [["team1-a", "team2-b", "team2-c"]] grouping (root "team")
# because the longer root "team2" occurs more than once
roots = [commonprefix(a[0],b[0]) for a,b in pairwise(files_with_date)]
roots.sort(key=len, reverse=True) # longest roots first
def longest_root(item):
no_date = item[0]
return next(r for r in roots if no_date.startswith(r)) or no_date
for common_root, group in groupby(files_with_date, key=longest_root):
# strip 5 newest items (sort by date)
for _, d, filename in sorted(group, key=lambda item: item[1])[:-5]:
if d < month_ago: # older than 30 days
yield os.path.join(rootdir, filename)
注意:['team1-a', 'team2-b', 'team3-c', ...]
使用[['team1-a', 'team2-b', 'team3-c', ...]]
作为重复模式组合在一起'team'
,即如果“重复模式”不在文件列表中重复,则上述算法将失败。
公用设施:
from datetime import datetime, timedelta
from itertools import izip, tee
month_ago = datetime.utcnow() - timedelta(days=30)
def parse_date(yyyymmddhhmmss):
try: return datetime.strptime(yyyymmddhhmmss, "%Y%m%d%H%M%S")
except ValueError:
return None
def pairwise(iterable): # itertools recipe
a, b = tee(iterable)
next(b, None)
return izip(a, b)
要删除文件,您可以拨打os.remove(path)
而不是os.system()
。
如果您可以在将来更改文件的命名方案以确保更具确定性,例如,在文件名中使用[]
模式,那么您可以将root提取为:
root = re.match(r'[^[]*\[([^]]+)\]', filename).group(1)
答案 3 :(得分:0)
我的建议:
答案 4 :(得分:0)
如果.zip
之前的随机部分始终由数字和下划线组成,则可以使用此正则表达式
(\d{14})_(.*?)[_\d]+\.zip
匹配中的第一个组是可能的日期,您可以使用datetime.datetime.strptime
进行检查和解析。第二组是您用于分组的常量部分。
答案 5 :(得分:0)
此功能会将带有日期戳的文件名转换为纪元时间
它不使用正则表达式
你必须import time
某个地方
def timestamp2epoch(str):
x=[]
for v in (str[0:4],str[4:6],str[6:8],str[8:10],str[10:12],str[12:14],0,0,0):
x.append(int(v))
return time.mktime(x)
答案 6 :(得分:0)
只需将问题分开,有一种方法可以找到模式,另一种找到日期和删除东西
import os
import subprocess
def find_patterns():
filenames = os.walk("/path/to/my/data/dir").next()[2]
parsed_patterns = map(lambda file: "_".join(file.split("_")[1:-1]),filenames)
unique_patterns = list(set(parsed_patterns))
return unique_patterns
def delete_dates_after_past_five_days(unique_patterns):
filenames = os.walk("/path/to/my/data/dir").next()[2]
for pattern in unique_patterns:
matched_files = filter(lambda file: pattern in file, filenames)
sorted_files = sorted(matched_files) #Will sort by date
if len(sorted_files) > 5:
for file in sorted_files[:-5]:
subprocess.call(["rm", os.path.join("/path/to/my/data/dir", file)])
unique_patterns = find_patterns()
delete_dates_from_past_five_days(unique_patterns)