Question

我有一个25GB的文本文件。所以我把它压缩到tar.gz，它变成450 MB。现在我想从python中读取该文件并处理文本数据。为此我提到了question。但在我看来，代码并不起作用。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()
     Data = np.loadtxt(content)

错误如下：

Traceback (most recent call last):
  File "dataExtPlot.py", line 21, in <module>
    content = f.read()
AttributeError: 'NoneType' object has no attribute 'read'

另外，还有其他方法可以完成这项任务吗？

Answer 1

如果成员不是常规文件或链接，docs告诉我们 extractfile（）返回无。

一种可能的解决方案是跳过无结果：

tar = tarfile.open("filename.tar.gz", "r:gz")
for member in tar.getmembers():
     f = tar.extractfile(member)
     if f is not None:
         content = f.read()

Answer 2

如果成员既不是文件也不是链接，

tarfile.extractfile()可以返回None。例如，您的tar存档可能包含目录或设备文件。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)

Answer 3

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

Answer 4

你不能＆＃34;阅读＆＃34;一些特殊文件的内容，如链接，但tar支持它们，tarfile将提取它们。当tarfile提取它们时，它不会返回类似文件的对象，而是返回None。并且您收到错误，因为您的tarball包含这样一个特殊文件。

一种方法是在提取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阅读＆＃34;文件。您可以通过调用tarfile.getmembers()返回tarfile.TarInfo来实现此目的，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()然后相应地决定每个成员做什么（提取或不提取等）。

例如，我使用这些来测试this patched tarfile中的文件类型，以跳过以特殊方式提取特殊文件和处理链接：

for tinfo in tar.getmembers():
    is_special = not (tinfo.isfile() or tinfo.isdir()
                      or tinfo.islnk() or tinfo.issym())
...

Answer 5

我的需求：

Python3。
我的tar.gz文件由多个utf-8文本文件和目录组成。
需要从所有文件中读取文本行。

问题：

tar.getmembers（）返回的tar对象可能是None。
extractfile(fname)返回的内容是一个字节的str（例如b'Hello \ t \ xe4 \ xbd \ xa0 \ xe5 \ xa5 \ xbd'）。 Unicode字符无法正确显示。

解决方案：

首先检查tar对象的类型。我引用了tarfile lib的doc中的示例。（搜索“如何阅读gzip压缩的tar存档并显示一些成员信息”）
从字节str解码为普通str。（ref-投票最多的答案）

代码：

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}.")

Answer 6

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

用Python阅读.tar.gz文件

6 个答案: