请通过这个。这会有所帮助。
Error using the 'find' command to generate a collection file on opencv
WikiExtractor 页面上提到的命令适用于 Unix/Linux 系统，不适用于 Windows。
您在 windows 上运行的find 命令的工作方式与 unix/linux 中的不同。
只要您使用 python 前缀运行提取的部分，它就可以在 windows/linux 环境中正常工作。
python WikiExtractor.py -cb 250K -o extracted your_bz2_file
您会看到在与您的脚本相同的目录中创建了一个 extracted 文件夹。
之后find 命令应该像这样工作，只在 linux 上。
find extracted -name '*bz2' -exec bzip2 -c {} \; > text.xml
在extracted 文件夹中找到与 bz2 匹配的所有内容，然后
然后对这些文件执行bzip2 命令并将结果放入
text.xml 文件。
此外，如果您运行 bzip -help 命令，该命令应该与上面的 find 命令一起运行，您会看到它在 Windows 上不起作用，而对于 Linux，您会得到以下输出。
gaurishankarbadola@ubuntu:~$ bzip2 -help
bzip2, a block-sorting file compressor. Version 1.0.6, 6-Sept-2010.
usage: bzip2 [flags and input files in any order]
-h --help print this message
-d --decompress force decompression
-z --compress force compression
-k --keep keep (don't delete) input files
-f --force overwrite existing output files
-t --test test compressed file integrity
-c --stdout output to standard out
-q --quiet suppress noncritical error messages
-v --verbose be verbose (a 2nd -v gives more)
-L --license display software version & license
-V --version display software version & license
-s --small use less memory (at most 2500k)
-1 .. -9 set block size to 100k .. 900k
--fast alias for -1
--best alias for -9
If invoked as `bzip2', default action is to compress.
as `bunzip2', default action is to decompress.
as `bzcat', default action is to decompress to stdout.
If no file names are given, bzip2 compresses or decompresses
from standard input to standard output. You can combine
short flags, so `-v -4' means the same as -v4 or -4v, &c.
如上所述，bzip2默认动作是压缩，所以使用bzcat进行解压。
仅适用于 linux 的修改后的命令如下所示。
find extracted -name '*bz2' -exec bzcat -c {} \; > text.xml
它适用于我的 ubuntu 系统。
编辑：
对于 Windows：
在您尝试任何操作之前，请先阅读说明
- 创建一个单独的文件夹并将文件放入文件夹中。文件 -->
WikiExtractor.py 和 itwiki-latest-pages-articles1.xml-p1p277091.bz2（在我的例子中，因为它是一个我能找到的小文件）。
2.在当前目录打开命令提示符，运行以下命令解压所有文件。
python WikiExtractor.py -cb 250K -o extracted itwiki-latest-pages-articles1.xml-p1p277091.bz2
根据文件大小需要时间，但现在目录看起来像这样。
注意：如果您已经有解压文件夹，请将其移动到当前目录，使其与上图匹配，您不必再次进行解压。
- 复制粘贴以下代码并保存在
bz2_Extractor.py文件中。
import argparse
import bz2
import logging
from datetime import datetime
from os import listdir
from os.path import isfile, join, isdir
FORMAT = '%(levelname)s: %(message)s'
logging.basicConfig(format=FORMAT)
logger = logging.getLogger()
logger.setLevel(logging.INFO)
def get_all_files_recursively(root):
files = [join(root, f) for f in listdir(root) if isfile(join(root, f))]
dirs = [d for d in listdir(root) if isdir(join(root, d))]
for d in dirs:
files_in_d = get_all_files_recursively(join(root, d))
if files_in_d:
for f in files_in_d:
files.append(join(f))
return files
def bzip_decompress(list_of_files, output_file):
start_time = datetime.now()
with open(f'{output_file}', 'w+', encoding="utf8") as output_file:
for file in list_of_files:
with bz2.open(file, 'rt', encoding="utf8") as bz2_file:
logger.info(f"Reading/Writing file ---> {file}")
output_file.writelines(bz2_file.read())
output_file.write('\n')
stop_time = datetime.now()
print(f"Total time taken to write out {len(list_of_files)} files = {(stop_time - start_time).total_seconds()}")
def main():
parser = argparse.ArgumentParser(description="Input fields")
parser.add_argument("-r", required=True)
parser.add_argument("-n", required=False)
parser.add_argument("-o", required=True)
args = parser.parse_args()
all_files = get_all_files_recursively(args.r)
bzip_decompress(all_files[:int(args.n)], args.o)
if __name__ == "__main__":
main()
- 现在当前目录将如下所示。
- 现在在当前目录中打开一个 cmd 并运行以下命令。
请阅读每个输入在命令中的作用。
python bz2_Extractor.py -r extracted -o output.txt -n 10
-r : 你有 bz2 文件的根目录。
-o : 输出文件名
-n : 要写出的文件数。 [如果没有提供，它会写出根目录下的所有文件]
注意：我可以看到您的文件以千兆字节为单位，并且包含超过 50 万篇文章。如果您尝试使用上述命令将其放入单个文件中，我不确定会发生什么，或者您的系统是否能幸存下来，如果它确实幸存下来，输出文件会很大，因为它是从 2.8 中提取的GB 文件，我认为 Windows 操作系统无法直接打开它。
所以我的建议是一次处理 10000 个文件。
让我知道这是否适合你。
PS : 对于上述命令，输出如下所示。