python - 按文件数拆分 gzip 文件

Question

我有一个很大的 tar.gz 文件，其中包含数百万个 xml 文件。

Linux中的

split命令可以按字节数/行数拆分，但不能按文件数拆分。例如，我想将 gzip 文件分割为每个输出子 gzip 中的 300k 个文件。有没有实用程序可以实现此目的？

我的最终目标是在 Python 中处理 tar.gz，我需要将文件分割成更小的 block 来保留文件。拆分将允许并行处理它们。

Answer 1

因为 split 不支持按文件数量拆分，所以我实现了一个 Python 实用程序:

import tarfile
import glob
import os
import shutil 

def make_a_split(input_dir, split_num):
    print("split {}".format(split_num))
    tar_output = tarfile.open("split_" + str(split_num) + ".tar.gz", "w:gz")
    for file_name in glob.glob(os.path.join(input_dir, "*")):
        #print("  Adding %s..." % file_name)
        tar_output.add(file_name, os.path.basename(file_name))
    tar_output.close()
    shutil.rmtree(tmp_output_dir)
    print("split {} done".format(split_num))

count_per_split = 300000
split = 1

tmp_output_dir = "tmp/"

tar = tarfile.open('your.tar.gz')

for idx, tarinfo in enumerate(tar):
    tar.extract(tarinfo, tmp_output_dir)
    if idx > 0 and idx % count_per_split == 0:
       make_a_split(tmp_output_dir, split)
       split += 1
tar.close()
# did we not remove the temp dir? It means we have seen less than count_per_split and need
# to make a split
if os.path.exists(tmp_output_dir):
   make_a_split(tmp_output_dir, split)