Pesquisa recursiva de subpasta e arquivos de retorno em uma lista python

117

Estou trabalhando em um script para percorrer recursivamente as subpastas em uma pasta principal e construir uma lista de um determinado tipo de arquivo. Estou tendo um problema com o script. Atualmente está definido como segue

for root, subFolder, files in os.walk(PATH):
    for item in files:
        if item.endswith(".txt") :
            fileNamePath = str(os.path.join(root,subFolder,item))

o problema é que a variável subFolder está obtendo uma lista de subpastas em vez da pasta em que o arquivo ITEM está localizado. Eu estava pensando em executar um loop for para a subpasta antes e juntar a primeira parte do caminho, mas achei que deveria verificar se alguém tem alguma sugestão antes disso. Obrigado pela ajuda!

user2709514
fonte

Respostas:

155

Você deve usar o dirpathque você chama root. Eles dirnamessão fornecidos para que você possa podá-los se houver pastas nas quais não deseja os.walkrecurvar.

import os
result = [os.path.join(dp, f) for dp, dn, filenames in os.walk(PATH) for f in filenames if os.path.splitext(f)[1] == '.txt']

Editar:

Após o último downvote, ocorreu-me que globé uma ferramenta melhor para selecionar por extensão.

import os
from glob import glob
result = [y for x in os.walk(PATH) for y in glob(os.path.join(x[0], '*.txt'))]

Também uma versão de gerador

from itertools import chain
result = (chain.from_iterable(glob(os.path.join(x[0], '*.txt')) for x in os.walk('.')))

Edit2 para Python 3.4+

from pathlib import Path
result = list(Path(".").rglob("*.[tT][xX][tT]"))
John La Rooy
fonte
1
'*. [Tt] [Xx] [Tt]' padrão glob tornará a pesquisa insensível a maiúsculas e minúsculas.
SergiyKolesnikov
@SergiyKolesnikov, Obrigado, usei isso na edição na parte inferior. Observe que o rglobé insensível em plataformas Windows - mas não é insensível a portabilidade.
John La Rooy
1
@JohnLaRooy Funciona com globtambém (Python 3.6 aqui):glob.iglob(os.path.join(real_source_path, '**', '*.[xX][mM][lL]')
SergiyKolesnikov
@Sergiy: seu iglobnão funciona para arquivos em sub-subpastas ou abaixo. Você precisa adicionar recursive=True.
user136036
1
@ user136036, "melhor" nem sempre significa mais rápido. Às vezes, a legibilidade e a manutenção também são importantes.
John La Rooy
111

Alterado no Python 3.5 : Suporte para globs recursivos usando “**”.

glob.glob()tem um novo parâmetro recursivo .

Se você deseja obter todos os .txtarquivos sob my_path(recursivamente incluindo subdiretórios):

import glob

files = glob.glob(my_path + '/**/*.txt', recursive=True)

# my_path/     the dir
# **/       every file and dir under my_path
# *.txt     every file that ends with '.txt'

Se precisar de um iterador, você pode usar o iglob como alternativa:

for file in glob.iglob(my_path, recursive=False):
    # ...
Rotareti
fonte
1
TypeError: glob () obteve um argumento de palavra-chave inesperado 'recursivo'
CyberJacob
1
Deve estar funcionando. Certifique-se de usar uma versão> = 3.5. Eu adicionei um link para a documentação em minha resposta para mais detalhes.
Rotareti
Seria por isso que estou em 2.7
CyberJacob
1
Por que a compreensão da lista e não apenas files = glob.glob(PATH + '/*/**/*.txt', recursive=True)?
tobltobs
Opa! :) É totalmente redundante. Não tenho ideia do que me fez escrever assim. Obrigado por mencionar isso! Eu resolvo isso.
Rotareti
20

Vou traduzir a compreensão da lista de John La Rooy em for's aninhados, apenas no caso de alguém ter problemas para entendê-la.

result = [y for x in os.walk(PATH) for y in glob(os.path.join(x[0], '*.txt'))]

Deve ser equivalente a:

import glob

result = []

for x in os.walk(PATH):
    for y in glob.glob(os.path.join(x[0], '*.txt')):
        result.append(y)

Aqui está a documentação para compreensão de listas e as funções os.walk e glob.glob .

Jefferson Lima
fonte
1
Essa resposta funcionou para mim no Python 3.7.3. glob.glob(..., recursive=True)e list(Path(dir).glob(...'))não o fez.
miguelmorin
11

Esta parece ser a solução mais rápida que eu poderia vir acima com, e é mais rápido do que os.walke muito mais rápido do que qualquer globsolução .

  • Também fornecerá uma lista de todas as subpastas aninhadas basicamente sem custo.
  • Você pode pesquisar várias extensões diferentes.
  • Você também pode escolher retornar os caminhos completos ou apenas os nomes dos arquivos, alterando f.pathpara f.name(não altere para as subpastas!).

Args: dir: str, ext: list.
Função retorna duas listas: subfolders, files.

Veja abaixo uma análise detalhada da velocidade.

def run_fast_scandir(dir, ext):    # dir: str, ext: list
    subfolders, files = [], []

    for f in os.scandir(dir):
        if f.is_dir():
            subfolders.append(f.path)
        if f.is_file():
            if os.path.splitext(f.name)[1].lower() in ext:
                files.append(f.path)


    for dir in list(subfolders):
        sf, f = run_fast_scandir(dir, ext)
        subfolders.extend(sf)
        files.extend(f)
    return subfolders, files


subfolders, files = run_fast_scandir(folder, [".jpg"])


Análise rápida

para vários métodos de obter todos os arquivos com uma extensão de arquivo específica dentro de todas as subpastas e da pasta principal.

tl; dr:
- fast_scandirclaramente vence e é duas vezes mais rápido que todas as outras soluções, exceto os.walk.
- os.walké o segundo lugar ligeiramente mais lento.
- o uso globtornará o processo muito mais lento.
- Nenhum dos resultados usa classificação natural . Isso significa que os resultados serão classificados como: 1, 10, 2. Para obter uma classificação natural (1, 2, 10), dê uma olhada em https://stackoverflow.com/a/48030307/2441026


Resultados:

fast_scandir    took  499 ms. Found files: 16596. Found subfolders: 439
os.walk         took  589 ms. Found files: 16596
find_files      took  919 ms. Found files: 16596
glob.iglob      took  998 ms. Found files: 16596
glob.glob       took 1002 ms. Found files: 16596
pathlib.rglob   took 1041 ms. Found files: 16596
os.walk-glob    took 1043 ms. Found files: 16596

Os testes foram feitos com W7x64, Python 3.8.1, 20 execuções. 16.596 arquivos em 439 subpastas (parcialmente aninhadas).
find_filesvem de https://stackoverflow.com/a/45646357/2441026 e permite que você pesquise várias extensões.
fast_scandirfoi escrito por mim e também retornará uma lista de subpastas. Você pode fornecer uma lista de extensões para pesquisar (eu testei uma lista com uma entrada para uma simples if ... == ".jpg"e não houve diferença significativa).


# -*- coding: utf-8 -*-
# Python 3


import time
import os
from glob import glob, iglob
from pathlib import Path


directory = r"<folder>"
RUNS = 20


def run_os_walk():
    a = time.time_ns()
    for i in range(RUNS):
        fu = [os.path.join(dp, f) for dp, dn, filenames in os.walk(directory) for f in filenames if
                  os.path.splitext(f)[1].lower() == '.jpg']
    print(f"os.walk\t\t\ttook {(time.time_ns() - a) / 1000 / 1000 / RUNS:.0f} ms. Found files: {len(fu)}")


def run_os_walk_glob():
    a = time.time_ns()
    for i in range(RUNS):
        fu = [y for x in os.walk(directory) for y in glob(os.path.join(x[0], '*.jpg'))]
    print(f"os.walk-glob\ttook {(time.time_ns() - a) / 1000 / 1000 / RUNS:.0f} ms. Found files: {len(fu)}")


def run_glob():
    a = time.time_ns()
    for i in range(RUNS):
        fu = glob(os.path.join(directory, '**', '*.jpg'), recursive=True)
    print(f"glob.glob\t\ttook {(time.time_ns() - a) / 1000 / 1000 / RUNS:.0f} ms. Found files: {len(fu)}")


def run_iglob():
    a = time.time_ns()
    for i in range(RUNS):
        fu = list(iglob(os.path.join(directory, '**', '*.jpg'), recursive=True))
    print(f"glob.iglob\t\ttook {(time.time_ns() - a) / 1000 / 1000 / RUNS:.0f} ms. Found files: {len(fu)}")


def run_pathlib_rglob():
    a = time.time_ns()
    for i in range(RUNS):
        fu = list(Path(directory).rglob("*.jpg"))
    print(f"pathlib.rglob\ttook {(time.time_ns() - a) / 1000 / 1000 / RUNS:.0f} ms. Found files: {len(fu)}")


def find_files(files, dirs=[], extensions=[]):
    # https://stackoverflow.com/a/45646357/2441026

    new_dirs = []
    for d in dirs:
        try:
            new_dirs += [ os.path.join(d, f) for f in os.listdir(d) ]
        except OSError:
            if os.path.splitext(d)[1].lower() in extensions:
                files.append(d)

    if new_dirs:
        find_files(files, new_dirs, extensions )
    else:
        return


def run_fast_scandir(dir, ext):    # dir: str, ext: list
    # https://stackoverflow.com/a/59803793/2441026

    subfolders, files = [], []

    for f in os.scandir(dir):
        if f.is_dir():
            subfolders.append(f.path)
        if f.is_file():
            if os.path.splitext(f.name)[1].lower() in ext:
                files.append(f.path)


    for dir in list(subfolders):
        sf, f = run_fast_scandir(dir, ext)
        subfolders.extend(sf)
        files.extend(f)
    return subfolders, files



if __name__ == '__main__':
    run_os_walk()
    run_os_walk_glob()
    run_glob()
    run_iglob()
    run_pathlib_rglob()


    a = time.time_ns()
    for i in range(RUNS):
        files = []
        find_files(files, dirs=[directory], extensions=[".jpg"])
    print(f"find_files\t\ttook {(time.time_ns() - a) / 1000 / 1000 / RUNS:.0f} ms. Found files: {len(files)}")


    a = time.time_ns()
    for i in range(RUNS):
        subf, files = run_fast_scandir(directory, [".jpg"])
    print(f"fast_scandir\ttook {(time.time_ns() - a) / 1000 / 1000 / RUNS:.0f} ms. Found files: {len(files)}. Found subfolders: {len(subf)}")
user136036
fonte
10

A nova pathlibbiblioteca simplifica isso para uma linha:

from pathlib import Path
result = list(Path(PATH).glob('**/*.txt'))

Você também pode usar a versão do gerador:

from pathlib import Path
for file in Path(PATH).glob('**/*.txt'):
    pass

Isso retorna Pathobjetos, que você pode usar para praticamente qualquer coisa, ou obter o nome do arquivo como uma string por file.name.

Emre
fonte
6

Não é a resposta mais pitônica, mas vou colocá-la aqui para me divertir porque é uma boa lição de recursão

def find_files( files, dirs=[], extensions=[]):
    new_dirs = []
    for d in dirs:
        try:
            new_dirs += [ os.path.join(d, f) for f in os.listdir(d) ]
        except OSError:
            if os.path.splitext(d)[1] in extensions:
                files.append(d)

    if new_dirs:
        find_files(files, new_dirs, extensions )
    else:
        return

Na minha máquina, tenho duas pastas rooteroot2

mender@multivax ]ls -R root root2
root:
temp1 temp2

root/temp1:
temp1.1 temp1.2

root/temp1/temp1.1:
f1.mid

root/temp1/temp1.2:
f.mi  f.mid

root/temp2:
tmp.mid

root2:
dummie.txt temp3

root2/temp3:
song.mid

Digamos que eu queira encontrar todos .txtos .midarquivos em qualquer um desses diretórios, então posso apenas fazer

files = []
find_files( files, dirs=['root','root2'], extensions=['.mid','.txt'] )
print(files)

#['root2/dummie.txt',
# 'root/temp2/tmp.mid',
# 'root2/temp3/song.mid',
# 'root/temp1/temp1.1/f1.mid',
# 'root/temp1/temp1.2/f.mid']
dermen
fonte
4

Recursivo é novo no Python 3.5, então não funcionará no Python 2.7. Aqui está o exemplo que usa rstrings, portanto, você só precisa fornecer o caminho como está em Win, Lin, ...

import glob

mypath=r"C:\Users\dj\Desktop\nba"

files = glob.glob(mypath + r'\**\*.py', recursive=True)
# print(files) # as list
for f in files:
    print(f) # nice looking single line per file

Observação: ele listará todos os arquivos, não importa a profundidade que deva ir.

Prosti
fonte
3

Você pode fazer isso desta forma para retornar uma lista de arquivos de caminho absoluto.

def list_files_recursive(path):
    """
    Function that receives as a parameter a directory path
    :return list_: File List and Its Absolute Paths
    """

    import os

    files = []

    # r = root, d = directories, f = files
    for r, d, f in os.walk(path):
        for file in f:
            files.append(os.path.join(r, file))

    lst = [file for file in files]
    return lst


if __name__ == '__main__':

    result = list_files_recursive('/tmp')
    print(result)
WilliamCanin
fonte
2

Se você não se importar em instalar uma biblioteca de luz adicional, pode fazer o seguinte:

pip install plazy

Uso:

import plazy

txt_filter = lambda x : True if x.endswith('.txt') else False
files = plazy.list_files(root='data', filter_func=txt_filter, is_include_root=True)

O resultado deve ser semelhante a este:

['data/a.txt', 'data/b.txt', 'data/sub_dir/c.txt']

Funciona tanto no Python 2.7 quanto no Python 3.

Github: https://github.com/kyzas/plazy#list-files

Isenção de responsabilidade: eu sou um autor de plazy.

Minh Nguyen
fonte
1

Esta função irá colocar recursivamente apenas arquivos em uma lista. Espero que este seja você.

import os


def ls_files(dir):
    files = list()
    for item in os.listdir(dir):
        abspath = os.path.join(dir, item)
        try:
            if os.path.isdir(abspath):
                files = files + ls_files(abspath)
            else:
                files.append(abspath)
        except FileNotFoundError as err:
            print('invalid directory\n', 'Error: ', err)
    return files
Yossarian42
fonte
0

Sua solução original estava quase correta, mas a variável "root" é atualizada dinamicamente à medida que se movimenta recursivamente. os.walk () é um gerador recursivo. Cada conjunto de tupla de (raiz, subpasta, arquivos) é para uma raiz específica da maneira como você a configurou.

ie

root = 'C:\\'
subFolder = ['Users', 'ProgramFiles', 'ProgramFiles (x86)', 'Windows', ...]
files = ['foo1.txt', 'foo2.txt', 'foo3.txt', ...]

root = 'C:\\Users\\'
subFolder = ['UserAccount1', 'UserAccount2', ...]
files = ['bar1.txt', 'bar2.txt', 'bar3.txt', ...]

...

Fiz um pequeno ajuste no seu código para imprimir uma lista completa.

import os
for root, subFolder, files in os.walk(PATH):
    for item in files:
        if item.endswith(".txt") :
            fileNamePath = str(os.path.join(root,item))
            print(fileNamePath)

Espero que isto ajude!

LastTigerEyes
fonte