Python:比较文件夹

时间:2015-09-06 20:30:55

标签: python-3.x

文件名1:Data_A_2015-07-29_16-25-55-313.txt

文件名2:Data_B_2015-07-29_16-25-55-313.txt

我需要比较文件夹中的所有Fils,以确保每个TimeStamp都有ONE A和ONE B文件。

Filename的第二个和第二个部分在两个文件中并不总是相同,所以重要的是Date_%H:%M - > 2每分钟的文件是我正在寻找的

(例如: Data_A_2015-07-29_16-25-55-313.txtData_B_2015-07-29_16-25-54-200.txt属于一起)

我尝试了以下代码:

for root,dirs,files in os.walk(source):
for a_items in files:
    if a_items.__contains__("A"):
        A_ALL_List.append(a_items)         # One List with all A Files
        a_1 = a_item.split('_')[1]           # A Part
        a_2 = a_item.split('_',)[2]          # Date Part
        a_3 = a_item.split('_')[3]           # TimeStamp %H%M%S%SS incl. .txt
        a_4 = a_3.rsplit('.txt',1)[0]        # TimeStamp %H%N%S%SS excl. .txt
        a_5 = a_4.rsplit ('-',1)[0]          # TimeStamp %H%M%S
        a_6 = a_5.rsplit ('-',1)[0]          # TimeStamp %H%M
        a_lvl1 = a_1 + '_' + a_2 +'_' + a_3  # A_Date_FULLTimeStamp.txt
        A_Lvl1.append(a_lvl1)                # A_Date_TimeStamp.txt LIST
        a_lvl2 = a_lvl1.rsplit('.txt',1)[0]  # Split .txt
        A_Lvl2.append(a_lvl2)                # A_Date_TimeStamp LIST
        a_lvl3 = a_1 + '_' + a_2 + '_' + a_5 # A_Date_(%H%M%S)TimeStamp
        A_Lvl3.append(a_lvl3)                # A_Date_(%H%M%S)TimeStamp LIST
        a_lvl4 = a_2 + '_' + a_4             # Date_FULLTimeStamp
        A_Lvl4.append(a_lvl4)                # Date_FULLTimeStamp LIST
        a_lvl5 = a_2 + '_' + a_5             # Date_(%H%M%S)TimeStamp
        A_Lvl5.append(a_lvl5)                # Date_(%H%M%S)TimeStamp LIST
        a_lvl6 = a_2 + '_' + a_6             # Date_(%H%M)TimeStamp
        A_Lvl6.append(a_lvl6)                # Date_(%H%M)TimeStamp LIST
for b_items in files:                        # Did the same for B now
    if b_items.__contains__("B"):
        B_All_List.append(b_items)

这样我就获得了两个文件名的列表,这些文件名只包含我要比较的部分 - >例如如果我将列表A_Lvl6与B_Lvl6进行比较,我只会比较日期部分以及时间戳中的小时和分钟。

我发现,B档案比A档案多,所以我继续前进:

for Difference in B_Lvl6: # Data in B
if Difference not in A_Lvl6: # Not in A
    DiffList.append(Difference)

这样我得到了数据的输出,其中我没有A文件但是B文件 - > DiffList

现在我想从该DiffList中查找相应的B文件(因为没有匹配的A文件)并将这些B文件移动到另一个文件夹中 - >在主文件夹中应该只有匹配TimeStamps(%H%M)

的A和B文件

我的问题(最后):

  1. 如何管理最后一部分,我想摆脱没有TimeStamp合作伙伴的所有A或B文件。

  2. 我的方法是解决这类问题的正确方法,还是完全疯了?我已经使用Python 1.5周了,所以欢迎任何关于软件包和教程的建议。

  3. 我使用的解决方案:

    source='/tmp'
    
    import os
    import re`
    import datetime as dt
    
    pat=re.compile(r'^Data_(A|B)_(\d{4}-\d{2}-\d{2}_\d+-\d+-\d+-\d+)')
    def test_list(l):
    return (len(l)==2 and {t[1] for t in l}!=set('AB'))   
    
    def round_time(dto, round_to=60):
         seconds = (dto - dto.min).seconds
         rounding = (seconds-round_to/2) // round_to * round_to
         return dto + dt.timedelta(0,rounding-seconds,-dto.microsecond)             
    
    fnames={}
    for fn in os.listdir(source):
        p=os.path.join(source, fn)
        if os.path.isfile(p):
             m=pat.search(fn)
             if m:   
               d=round_time(dt.datetime.strptime(m.group(2), '%Y-%m-%d_%H-%M-%S-%f'), round_to=60)
               fnames.setdefault(str(d), []).append((p, m.group(1)))
    
    for k, v in [(k, v) for k, v in fnames.items() if not test_list(v)]:
       for fn in v:
          print fn[0]
    

3 个答案:

答案 0 :(得分:2)

我认为忽略第二部分和毫秒部分并不是一个好主意。可能会发生一个文件有01:01:59:999而另一个文件有01:02:00:000。差异只有一毫秒,但它也会影响微小部分。更好的解决方案是解析日期时间并计算它们之间的时间差。但是,让我们选择简单的愚蠢版本。我认为这样的事情可以完成这项工作。如果它不是您所需要的,请根据您的需求量身定制:

import os
import re

pattern = re.compile(r'^Data_(?P<filetype>A|B)_(?P<datetime>\d\d\d\d\-\d\d\-\d\d_\d\d\-\d\d)\-\d\d\-\d\d\d\.txt$')

def diff_dir(dir, files):
    a_set, b_set = {}, {}
    sets  = {'A': a_set, 'B': b_set}
    for file in files:
        path = os.path.join(dir, file)
        match = pattern.match(file)
        if match:
            sets[match.group('filetype')][match.group('datetime')] = path
        else:
            print("Filename doesn't match our pattern: " + path)
    a_datetime_set, b_datetime_set = set(a_set.keys()), set(b_set.keys())
    a_only_datetimes = a_datetime_set - b_datetime_set
    b_only_datetimes = b_datetime_set - a_datetime_set
    for dt in a_only_datetimes:
        print(a_set[dt])
    for dt in b_only_datetimes:
        print(b_set[dt])

def diff_dir_recursively(rootdir):
    for dir, subdirs, files in os.walk(rootdir):
        diff_dir(dir, files)

if __name__ == '__main__':
    # use your root directory here
    rootdir = os.path.join(os.path.dirname(__file__), 'dir')
    diff_dir_recursively(rootdir)

答案 1 :(得分:1)

我想发布一个部分答案,指出如何将拆分结果分配给名称,并为它们指定有意义的名称。这通常会使解决问题变得容易一些。

def match_files(files):
    result = {}

    for filename in files:
        data, letter, date, time_txt = filename.split('_')
        time, ext = time_txt.split('.')
        hour, min, sec, ns = time.split('-')

        key = date + '_' + hour + '-' + min

        # Initialize dictionary if it doesn't already exist.
        if not result.has_key(key):
            result[key] = {}

        result[key][letter] = filename


    return result



filename1 = 'Data_A_2015-07-29_16-25-55-313.txt'
filename2 = 'Data_B_2015-07-29_16-25-55-313.txt'

file_list = [filename1, filename2]


match_files(file_list)

输出:

In [135]: match_files(file_list)
Out[135]: 
{'2015-07-29_16-25': {'A': 'Data_A_2015-07-29_16-25-55-313.txt',
  'B': 'Data_B_2015-07-29_16-25-55-313.txt'}}

答案 2 :(得分:1)

鉴于这五个文件名:

$ ls Data*
Data_A_2015-07-29_16-25-55-313.txt  
Data_B_2015-07-29_16-25-54-200.txt
Data_A_2015-07-29_16-26-56-314.txt  
Data_B_2015-07-29_16-26-54-201.txt
Data_A_2015-07-29_16-27-54-201.txt

您可以使用正则表达式找到关键信息:Demo

由于我们正在处理时间戳,因此应将时间四舍五入到最接近的时间标记。

这是一个向上或向下舍入到最近的分钟的函数:

import datetime as dt

def round_time(dto, round_to=60):
    seconds = (dto - dto.min).seconds
    rounding = (seconds+round_to/2) // round_to * round_to
    return dto + dt.timedelta(0,rounding-seconds,-dto.microsecond)  

将其与循环文件相结合,您可以组合成列表字典,其中键是时间戳四舍五入到一分钟。

(我怀疑你的文件都在同一个目录中,所以我用os.listdir而不是os.walk显示这个,因为os.walk以递归方式遍历多个目录)

import os
import re
import datetime as dt

pat=re.compile(r'^Data_(A|B)_(\d{4}-\d{2}-\d{2}_\d+-\d+-\d+-\d+)')

fnames={}
for fn in os.listdir(source):
    p=os.path.join(source, fn)
    if os.path.isfile(p):
        m=pat.search(fn)
        if m:   
            d=round_time(dt.datetime.strptime(m.group(2), '%Y-%m-%d_%H-%M-%S-%f'), round_to=60)
            fnames.setdefault(str(d), []).append((p, m.group(1)))

print fnames

打印:

{'2015-07-29 16:28:00': [('/tmp/Data_A_2015-07-29_16-27-54-201.txt', 'A')], '2015-07-29 16:27:00': [('/tmp/Data_A_2015-07-29_16-26-56-314.txt', 'A'), ('/tmp/Data_B_2015-07-29_16-26-54-201.txt', 'B')], '2015-07-29 16:26:00': [('/tmp/Data_A_2015-07-29_16-25-55-313.txt', 'A'), ('/tmp/Data_B_2015-07-29_16-25-54-200.txt', 'B')]}

这五个文件有一个没有配对的文件。您可以筛选所有非长度为2的文件列表,或者没有A和B对匹配的文件列表。

首先,定义一个测试函数,测试它:

def test_list(l):
    return (len(l)==2 and {t[1] for t in l}==set('AB'))   

然后使用列表推导来查找不符合条件的dict中的所有条目:

>>> [(k, v) for k, v in fnames.items() if not test_list(v)]
[('2015-07-29 16:28:00', [('/tmp/Data_A_2015-07-29_16-27-54-201.txt', 'A')])]

然后对这些文件采取行动:

for k, v in [(k, v) for k, v in fnames.items() if not test_list(v)]:
    for fn in v:
        print fn  # could be os.remove(fn) 

相同的基本方法适用于os.walk,但您可能在多个目录中有文件。

以下是完整列表:

source='/tmp'

import os
import re
import datetime as dt

pat=re.compile(r'^Data_(A|B)_(\d{4}-\d{2}-\d{2}_\d+-\d+-\d+-\d+)')

def test_list(l):
    return (len(l)==2 and {t[1] for t in l}==set('AB'))   

def round_time(dto, round_to=60):
    seconds = (dto - dto.min).seconds
    rounding = (seconds+round_to/2) // round_to * round_to
    return dto + dt.timedelta(0,rounding-seconds,-dto.microsecond)             

fnames={}
for fn in os.listdir(source):
    p=os.path.join(source, fn)
    if os.path.isfile(p):
        m=pat.search(fn)
        if m:   
            d=round_time(dt.datetime.strptime(m.group(2), '%Y-%m-%d_%H-%M-%S-%f'), round_to=60)
            fnames.setdefault(str(d), []).append((p, m.group(1)))

for k, v in [(k, v) for k, v in fnames.items() if not test_list(v)]:
    for fn in v:
        print fn[0]    # This is the file that does NOT have a pair -- delete?