如何查找所有文本文件，无论扩展名只包含逗号和数字？

Question

我必须搜索可能具有任何扩展名的文件。 所有这些文件的特殊属性是它们长度少于五行（小于4 \\ n \\ r），除了换行符之外，所有字符都是数字，空格和逗号。 如何根据内容编写搜索文件的代码？

我很清楚这需要很长时间才能运行。

我的项目不需要Java或Python，我只是提到它们，因为我对它们比较熟悉。 Powershell是值得推荐的。

我正在运行Windows 7系统。

Answer 1

像下面这样的东西应该工作：

valid_chars = set('0123456789, \r\n')
for root, dirs, files in os.walk(base):
    for fname in files:
        fpath = os.path.join(root, fname)
        with open(fpath, 'rb') as f:
            lines = []
            for i, line in enumerate(f):
                if i >= 5 or not all(c in valid_chars for c in line):
                    break
            else:
                print 'found file: ' + fpath

您可以使用正则表达式而not all(c in valid_chars for c in line) ：

            ...
                if i >= 5 or not re.match(r'[\d, \r\n]*$', line):
            ...

如果你使用正则表达式，为了提高效率，请在循环之外使用re.compile 。

Answer 2

import os

expected_chars = set(' ,1234567890\n\r')
nlines = 5
max_file_size = 1000  # ignore file longer than 1000bytes, this will speed things up


def process_dir(out, dirname, fnames):
    for fname in fnames:
    fpath = os.path.join(dirname, fname)

    if os.path.isfile(fpath):

        statinfo = os.stat(fpath)

        if statinfo.st_size < max_file_size: 
            with open(fpath) as f:
                # read the first n lines
                firstn = [ f.readline() for _ in range(nlines)]

                # if there are any more lines left this is not our file
                if f.readline():
                    continue

                # if the first n lines contain only spaces, commas, digits and new lines
                # this is our kind of file add it to the results.
                if not set(''.join(firstn)) - expected_chars:
                    out.append(fpath)


out = []
path.walk("/some/path/", process_dir, out)

Answer 3

你可以使用grep -r和-l选项。 -r允许您在所有文件的目录中递归搜索， -l仅打印其内容与正则表达式匹配的文件的名称。

grep -r -l '\A([0-9, ]+\s){1,4}[0-9, ]+\Z' directory

这将打印少于5行数字，空格或逗号字符的所有文件的名称列表。

\\ A和\\ Z将检查主题文本的开头和结尾。 [0-9, ]+查找一系列数字，空格或逗号，后跟\\s ，它是换行符，空格或回车符。 该序列可以重复最多4次，由{1,4}表示，然后是另一行数据。

Answer 4

在Python中（我只会概述步骤，以便您可以自己编程。但当然可以随意询问您是否可以解决问题）：

• 使用os.path.walk查找所有文件（它为您提供所有文件，无论其扩展名如何）。
• 请注意，它还为您提供目录等，因此请使用os.path.isfile跳过它们。
• 对于每个文件：
  • 打开它（ open ）。 在with语句中执行以下操作以避免必须手动关闭文件。
  • 你可以先计算行数，然后检查逗号，但这可能比较慢，所以：
  • 逐行读取文件。 对于每一行，做两件事：
  • 计算线条。 如果您到达5，请继续下一个文件。
  • 检查它是否与逗号标准匹配。 我会使用regular expression 。 如果不匹配，继续。
  • 如果您位于文件的末尾，则表示您已成功，因此您可以打印文件名或任何您想要的内容。