unzip() 内的 sys.glob()

Question

TLDNR：如何在 unzip () 中使用 Sys.glob ()？

我有多个 .zip 文件，我只想从每个存档中提取一个文件。

例如，其中一个档案包含以下文件：

[1] "cmc-20150531.xml"     "cmc-20150531.xsd"     "cmc-20150531_cal.xml" "cmc-20150531_def.xml" "cmc-20150531_lab.xml"
[6] "cmc-20150531_pre.xml"

我想提取第一个文件，因为它匹配一个模式。为此，我使用以下命令：

unzip("zip-archive.zip", files=Sys.glob("[a-z][a-z][a-z][-][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][.][x][m][l]"))

但是，该命令不起作用，我不知道为什么。 R 只是提取档案中的所有文件。

另一方面，以下命令有效：

unzip("zip-archive.zip", files="cmc-20150531.xml")

如何在 unzip() 中使用 Sys.glob()？

Answer 1

Sys.glob 扩展已存在的文件。因此，unzip 调用的参数将取决于工作目录中的文件。

也许你想用list=TRUE 做unzip 以首先返回zip 中的文件列表，然后使用一些模式匹配来选择你想要的文件。

有关将字符串与模式匹配的信息，请参阅?grep。这些模式是“正则表达式”而不是“glob”扩展，但您应该能够使用它。

这是一个具体的例子：

# whats in the zip?
files = unzip("c.zip", list=TRUE)$Name
files
[1] "l_spatial.dbf"    "l_spatial.shp"    "l_spatial.shx"    "ls_polys_bin.dbf"
[5] "ls_polys_bin.shp" "ls_polys_bin.shx" "rast_jan90.tif"  

# what files have "dbf" in them:
files[grepl("dbf",files)]
[1] "l_spatial.dbf"    "ls_polys_bin.dbf"

# extract just those:
unzip("c.zip", files=files[grepl("dbf",files)])

glob 的正则表达式

 "[a-z][a-z][a-z][-][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][.][x][m][l]"

会

 "^[a-z]{3}-[0-9]{8}\\.xml$"

这是字符串开头 ("^")、3 az（仅限小写字母）、破折号、八位数字、一个点（需要反斜杠，一个是因为点在正则表达式中表示“任何一个字符”）和另一个因为 R 需要一个反斜杠来转义反斜杠）、“xml”和字符串的结尾（“$”）。

Answer 2

只需与任何其他集合一起对 Sys.glob 的结果进行迭代循环，并提供迭代保存变量以解压缩。这是通过使用for-loop

来实现的

unzip() 接受路径参数，而 files 是该 zip 文件中哪些文件的参数。

挖掘你我更像是一个全栈程序员，而不是 R 语言，但概念是相同的；所以代码应该是这样的：

files <- Sys.glob(path_expand(".","*.zip"))
for (idx in 1:length(files)) {
    results = unzip(files[idx], "*.xml")
}

至于在unzip() 中使用正则表达式，应该阅读文档。我只能建议再做一次for-loop 将 zip 文件的竞争与您的正则表达式进行比较，然后进行提取。伪代码如下：

files ::= glob(*.zip)
regex ::= 
for idx1 in length(files); do
  regex="[a-z]{3}\-[0-9]{8}\.xml"
  content = unzip(files[idx1])
  for idx2 in length(content); do
    if content[idx2].name ~= regex.expand(); then
      # do something with found file
    end if
  end for
end for

基本上，您只需遍历 zip 文件列表，然后遍历 zip 文件中的文件列表，并比较 zipfile 中的文件名，代理正则表达式并仅对该文件进行提取/执行操作。