python - 如何在 Python 中通过元数据标记和存储文件？

Question

我想建立一个像这样的手动文件标记系统。鉴于文件夹包含这些文件:

data/
    budget.xls
    world_building_budget.txt
a.txt
b.exe
hello_world.dat
world_builder.spec

我想写一个标签系统，在哪里执行

py -3 tag_tool.py -filter=world -tag="世界构建工具"

会输出

These files were tagged with "World-Building Tool":
    data/world_building_budget.txt
    hello_world.dat
    world_builder.spec

另一个例子。如果我执行:

py -3 tag_tool.py -filter="\.txt"-add_tag="Human Readable"

会输出

These files were tagged with "Human Readable":
    data/world_building_budget.txt
    a.txt

我不是在问“为我做作业”。我想知道我可以采用什么方法来构建这样的东西？我应该使用什么数据结构？我应该如何标记目录中的内容？

Answer 1

首先，我不清楚这是否真的是作业，但我的第一个建议始终是查看它是否已经完成(而且似乎已经完成):https://pypi.org/project/pytaggit/

如果我忽略它并自己构建它，我会考虑什么是标记系统结构。长话短说(如果不感兴趣，请跳过):考虑一个简单的文件系统……它有一个到每个文件的路径。您可以按文件名甚至属性进行字符串搜索，但组织结构使得一个文件只能存在于一个地方。这很像物理文件系统。在虚拟文件系统中，我们也有文件链接。有两种类型:软(Windows 中的快捷方式)和硬。软链接(soft link)使文件看起来好像位于多个位置。这就像能够在“S”下归档 Soccer 并在“F”下创建另一个名为 Football 的文件，它只是说“see Soccer”。相比之下，硬链接(hard link)实际上使文件有效地存在于多个位置。这就像能够在“F”和“S”中提取完全相同的文件“Soccer”。如果有人对其中一个进行了更改，那么两者都会进行更改。这仍然是一个非常有限的组织，仅限于文件位置。如果您想变得灵活并应用任意组织，硬链接(hard link)将变得难以维护。标记是另一种无需太多开销即可完成此操作的方法。

……跳过跳过的部分……

有不止一种方法可以实现这一点，但这里是对需要什么的一般看法。标签需要能够在文件和标签之间建立多对多关系。 IE。您应该能够查看一个文件并查看所有关联的标签，并且您应该能够查看一个标签并查看与其关联的所有文件。如果你想存储数据一次，你将不得不选择优化哪种方式，因为你只选择一种方式来组织你的数据。因此，正向查找将是自然的，而反向查找将需要处理。如果要维护两个数据集(或索引)，则可以同时存储正向和反向查找。如果您知道您的数据不会增长超过一定大小和/或使用通常只需要一个方向，那么一个索引应该没问题。否则，我会选择两个。权衡是保持它们同步的开销。
如果你想优化标签(文件名)，那么你可能会使用类似

filenameTags = {'myFileName': ['tag1', 'tag2', ...]}

从具有这种结构的标签中获取文件名需要搜索所有嵌入列表并返回关联的键(如果有匹配项)的过程。如果你想以另一种方式优化，你可以反转这个结构(文件名(标签))。您也可以同时创建两个文件结构，但这样会产生保持两者同步的开销。
最后，为了保持这种持久性，请保存到文件或数据库中。 Redis 对此提供了很好的支持。