用 Python 压缩文件方法汇总

Python
415
0
0
2022-10-12
海象运算符
上一篇
用 Python 实现并行计算
下一篇
标签   Python库

对于流行的文件压缩格式，如 tar 、zip 、gzip 、bz2 等，乃至于更奇特的 lzma 等格式，Python 都能轻易实现。本文将对有关压缩文件的问题给予阐述。

压缩格式以及相关模块

Python 提供了几乎为所有现有压缩文件的工具，下面逐一领略。

  • zlib 是一个 Python 库，能够实现 zip 、gzip 格式文件的压缩和解压缩。
  • bz2 模块提供了对 bzip2 格式的压缩支持。它也只对单个文件起作用，因此不能归档。
  • lzma 既是算法的名称，也是 Python 模块。它可以产生比一些旧方法更高的压缩比，并且是 xz （更具体地说是 LZMA2 ）背后的算法。
  • gzip 是大多数人都熟悉的应用，此外它也是一个 Python 模块的名称。此模块使用前面提到的 zlib 压缩算法，并充当类似于实用程序 gzip 和 gunzip的接口。
  • shutils 是一个模块，我们通常不把该模块与压缩和解压缩联系在一起。但它提供了处理归档文件的实用方法，便于生成 tar 、 gztar 、 zip 、 bztar 或者 xztar 这些类型的归档文件。
  • 顾名思义，zipfile 允许我们用 Python 中实现 zip 归档，提供了创建、读取、写入或追加 zip 文件所需的所有方法，还提供了便于操作这些文件的类和对象。
  • 和上面的 zipfile 类似， tarfile 这个模块用于实现 tar 归档，可以读取和写入 gzip 、bz2 和 lzma 文件或归档文件。也支持与常规的 tar 压缩软件能实现的其他功能。

压缩与解压缩

上面列出了很多选择，它们中有一些比较基本，有一些具有许多其他功能，但共同点显然是包含压缩功能。下面就来看看有关基本操作。

先看 zlib ，这是一个相当低级的库，因此可能不太常用，让我们来看看针对整个文件的压缩或解压缩方法。

import zlib, sys

filename_in = "data"
filename_out = "compressed_data"

with open(filename_in, mode="rb") as fin, open(filename_out, mode="wb") as fout:
    data = fin.read()
    compressed_data = zlib.compress(data, zlib.Z_BEST_COMPRESSION)
    print(f"Original size: {sys.getsizeof(data)}")
    # Original size: 1000033 
    print(f"Compressed size: {sys.getsizeof(compressed_data)}")
    # Compressed size: 1024

    fout.write(compressed_data)

with open(filename_out, mode="rb") as fin:
    data = fin.read()
    compressed_data = zlib.decompress(data)
    print(f"Compressed size: {sys.getsizeof(data)}")
    # Compressed size: 1024 
    print(f"Decompressed size: {sys.getsizeof(compressed_data)}")
    # Decompressed size: 1000033

上面的代码中所需要的输入文件，可以用 head -c 1MB </dev/zero > data 指令生成，此文件由零组成且大小为 1MB 。将文件读入内存滞后，用 zlib 中的 compress 方法创建压缩数据。然后将该数据写入输出文件。

为了证明能够恢复数据——解压缩，再次打开上述生成的压缩文件并对其通过 zlibb 的 decompress 方法。通过 print ，可以看到压缩和解压缩数据的大小都是匹配的。

下一个是 bz2 ，它的使用方式与上面的 zlib 非常相似：

import bz2, os, sys

filename_in = "data"
filename_out = "compressed_data.bz2"

with open(filename_in, mode="rb") as fin, bz2.open(filename_out, "wb") as fout:
    fout.write(fin.read())

print(f"Uncompressed size: {os.stat(filename_in).st_size}")
# Uncompressed size: 1000000
print(f"Compressed size: {os.stat(filename_out).st_size}")
# Compressed size: 48

with bz2.open(filename_out, "rb") as fin:
    data = fin.read()
    print(f"Decompressed size: {sys.getsizeof(data)}")
    # Decompressed size: 1000033

不出所料，使用方法大同小异。为了显示一些不同之处，在上面的示例中，我们简化了压缩步骤，将其减少到1行，并使用 os.stat来检查文件的大小。

这些低级模块中的最后一个是 lzma ，为了避免反复显示相同的代码，这次执行增量压缩：

import lzma, os
lzc = lzma.LZMACompressor()

# cat /usr/share/dict/words | sort -R | head -c 1MB > data
filename_in = "data"
filename_out = "compressed_data.xz"

with open(filename_in, mode="r") as fin, open(filename_out, "wb") as fout:
    for chunk in fin.read(1024):
        compressed_chunk = lzc.compress(chunk.encode("ascii"))
        fout.write(compressed_chunk)
    fout.write(lzc.flush())

print(f"Uncompressed size: {os.stat(filename_in).st_size}")
# Uncompressed size: 972398
print(f"Compressed size: {os.stat(filename_out).st_size}")
# Compressed size: 736

with lzma.open(filename_out, "r") as fin:
    words = fin.read().decode("utf-8").split()
    print(words[:5])
    # ['dabbing', 'hauled', "seediness's", 'Iroquoian', 'vibe']

首先创建一个输入文件，文件中包含从字典中提取的一组单词，该字典在 /usr/share/dict/words 中，这样可以确认解压后的数据与原始数据相同。

然后，我们像前面的示例一样打开输入和输出文件。然而，这一次在 1024 位块中迭代随机数据，并使用 LZMACompressor.compress 方法压缩它们。然后将这些块写入输出文件。在读取和压缩整个文件之后，我们需要调用 flush ，以完成压缩过程、并从压缩器中清除任何剩余数据。

为了证实上述操作的有效性，我们以通常的方式打开并解压缩文件，并从文件中打印出几个单词。

下面要研究高级别的模块。现在使用 gzip 执行相同的任务：

import os, sys, shutil, gzip

filename_in = "data"
filename_out = "compressed_data.tar.gz"

with open(filename_in, "rb") as fin, gzip.open(filename_out, "wb") as fout:
    # Reads the file by chunks to avoid exhausting memory
    shutil.copyfileobj(fin, fout)

print(f"Uncompressed size: {os.stat(filename_in).st_size}")
# Uncompressed size: 1000000
print(f"Compressed size: {os.stat(filename_out).st_size}")
# Compressed size: 1023

with gzip.open(filename_out, "rb") as fin:
    data = fin.read()
    print(f"Decompressed size: {sys.getsizeof(data)}")
    # Decompressed size: 1000033

在这个例子中，结合了 gzip 和 shutils 。看起来我们所做的批量压缩与之前使用 zlib 或 bz2 的效果相同，但由于 shutil.copyfileobj 方法，我们实现了分块增量压缩，而不必像使用lzma那样循环数据。

gzip 模块的一个优点是：它还提供了命令行接口，我说的不是 Linux gzip 和 gunzip ，而是 Python 中所集成的：

python3 -m gzip -h
usage: gzip.py [-h] [--fast | --best | -d] [file [file ...]]
...

ls -l data*
-rw-rw-r-- 1 martin martin 1000000 aug 22 18:48 data

# Use fast compression on file "data"
python3 -m gzip --fast data

# File named "data.gz" was generated:
ls -l data*
-rw-rw-r-- 1 martin martin 1000000 aug 22 18:48 data
-rw-rw-r-- 1 martin martin    1008 aug 22 20:50 data.gz

更高效的工具

如果你熟悉 zip 或 tar ，或者必须用其中的一种格式存档，就应该认真阅读下面的内容。除了基本的压缩或解压缩操作外，这两个模块还包括其他的一些实用方法，例如校验、使用密码、在归档文件中列出文件等。所以，很有必要深入研究一番，确保掌握这些技能。

import zipfile

# shuf -n5 /usr/share/dict/words > words.txt
files = ["words1.txt", "words2.txt", "words3.txt", "words4.txt", "words5.txt"]
archive = "archive.zip"
password = b"verysecret"

with zipfile.ZipFile(archive, "w") as zf:
    for file in files:
        zf.write(file)

    zf.setpassword(password)

with zipfile.ZipFile(archive, "r") as zf:
    crc_test = zf.testzip()
    if crc_test is not None:
        print(f"Bad CRC or file headers: {crc_test}")

    info = zf.infolist()  # also zf.namelist() 
    print(info)  
    # See all attributes at https://docs.python.org/3/library/zipfile.html#zipinfo-objects 
    # [ <ZipInfo filename='words1.txt' filemode='-rw-r--r--' file_size=37>, 
    #   <ZipInfo filename='words2.txt' filemode='-rw-r--r--' file_size=47>, 
    #   ... ]

    file = info[0]
    with zf.open(file) as f:
        print(f.read().decode())
        # Olav 
        # teakettles 
        # ...

    zf.extract(file, "/tmp", pwd=password)  # also zf.extractall()

上述代码有点长，它涵盖了 zipfile 模块的所有重要功能。在这段代码中，首先在 with 上下文管理中，以 w 模式使用 ZipFile创建 ZIP 归档文件，然后将文件添加到归档文件中。你会注意到，实际上不需要打开要添加的文件 —— 我们所需要做的就是调用 write 方法，并传入文件名为参数。添加所有文件后，我们还使用 setpassword 方法设置存档密码。

接下来，为了证明这种操作方法的有效性，打开归档文件。在读取任何文件之前，检查CRC和文件头，然后检索存档中所有文件的信息。在本例中，我们只打印 ZipInfo 对象的列表，但你也可以检查其属性，以获得CRC、大小、压缩类型等。

检查完所有文件后，打开并读取其中一个文件。我们看到它具有预期的内容，所以可以继续并将其解压缩都指定路径（/tmp/ ）。

除了创建和读取归档文件或普通文件外，ZIP 还允许我们将文件追加到现有的存档中。为此，只需将访问模式更改为 a （追加模式）：

with zipfile.ZipFile(archive, "a") as zf:
    zf.write("words6.txt")
    print(zf.namelist())
    # ['words1.txt', 'words2.txt', 'words3.txt', 'words4.txt', 'words5.txt', 'words6.txt']

与 gzip 模块相同，Python的 zipfile 和 tarfile 也提供 CLI 。要执行基本存档和提取，请使用以下命令：

python3 -m zipfile -c arch.zip words1.txt words2.txt  # Create
python3 -m zipfile -t arch.zip  # Test
Done testing

python3 -m zipfile -e arch.zip /tmp  # Extract
ls /tmp/words*
/tmp/words1.txt  /tmp/words2.txt

最后但并非最不重要的是 tarfile 模块。此模块类似于 zipfile ，但也实现了一些额外的功能：

import tarfile

files = ["words1.txt", "words2.txt", "words3.txt", "words4.txt"]
archive = "archive.tar.gz"

with tarfile.open(archive, "w:gz") as tar:
    for file in files:
        tar.add(file)  # can also be dir (added recursively), symlink, etc

    print(f"archive contains: {tar.getmembers()}")
    # [<TarInfo 'words1.txt' at 0x7f71ed74f8e0>, 
    #  <TarInfo 'words2.txt' at 0x7f71ed74f9a8> 
    #  ... ]

    info = tar.gettarinfo("words1.txt")  # Other Linux attributes - https://docs.python.org/3/library/tarfile.html#tarinfo-objects 
    print(f"{tar.name} contains {info.name} with permissions {oct(info.mode)[-3:]}, size: {info.size} and owner: {info.uid}:{info.gid}")
    # .../archive.tar contains words1.txt with permissions 644, size: 37 and owner: 500:500

    def change_permissions(tarinfo):
        tarinfo.mode = 0o100600  # -rw-------. 
        return tarinfo
    
    tar.add("words5.txt", filter=change_permissions)

    tar.list()
    # -rw-r--r-- martin/martin   37 2021-08-23 09:01:56 words1.txt 
    # -rw-r--r-- martin/martin   47 2021-08-23 09:02:06 words2.txt 
    # ... 
    # -rw------- martin/martin   42 2021-08-23 09:02:22 words5.txt

我们从归档文件的基本创建开始，这里使用的打开模式 "w:gz" ，指定要使用 GZ 压缩。然后将所有的文件添加到存档中。使用 tarfile 模块，还可以传入符号链接（软连接）、或传入可以递归添加的整个目录。

接下来，为了确认所有文件都确实存在，我们使用 getmembers 方法。为了深入了解各个文件，可以使用 gettarinfo 方法，它提供了所有 Linux 文件属性。

tarfile 提供了一个我们在其他模块中没有看到的很酷的特性，那就是在将文件添加到归档文件时能够修改文件的属性。在上面的代码片段中，通过提供 filter 参数来更改文件的权限，该参数修改了 TarInfo.mode。此值必须作为八进制数提供，此处的 0o100600 将权限设置为 0600 或 -rw-------.。

为了在进行此更改后获得文件的完整概览，我们可以运行 list 方法，它提供类似于 ls -l的输出。

使用tar 存档的最后一件事是打开它并将其解压缩。为此，我们使用 "r:gz" 模式打开它，以文件名作为 getmember 方法的参数，返回文件对象，并将其解压缩到指定路径中。

with tarfile.open(archive, "r:gz") as tar:
    member = tar.getmember("words3.txt")
    if member.isfile():
        tar.extract(member, "/tmp/")

结论

如你所见，Python 的提供了包括低级和高级、特定和通用、简单和复杂的各类模块或库。可以根据实际需要进行选择，通常建议使用通用模块，如 zipfile 或 tarfile ，只有在必要时才使用 lzma 之类的模块。

当然，要想熟练使用以上各个模块的各种方法，还是要阅读官方文档。

参考文献

https://towardsdatascience.com/all-the-ways-to-compress-and-archive-files-in-python-e8076ccedb4b

海象运算符
上一篇
用 Python 实现并行计算
下一篇