python - 确定文件相对于目录的路径,包括符号链接
问题描述
我有一个包含数千个后代的目录(至少 1,000 个,可能不超过 20,000 个)。给定一个文件路径(保证存在),我想知道该文件在该目录中的位置——包括通过符号链接。
例如,给定:
- 目录路径为
/base
. - 真正的文件路径是
/elsewhere/myfile
. /base
是一个符号链接/realbase
/realbase/foo
是 的符号链接/elsewhere
。/realbase/bar/baz
是 的符号链接/elsewhere/myfile
。
我想找到路径/base/foo/myfile
和/base/bar/baz
.
我可以通过递归检查 中的每个符号链接来做到这一点/base
,但这会非常慢。我希望有一个更优雅的解决方案。
动机
这是一个 Sublime Text 插件。当用户保存文件时,我们要检测它是否在 Sublime 配置目录中。特别是,即使文件是从 config 目录中符号链接的,并且用户正在其物理路径(例如,在他们的 Dropbox 目录中)编辑文件,我们也希望这样做。可能还有其他应用程序。
Sublime 可以在 Linux、Windows 和 Mac OS 上运行,理想情况下应该是这个解决方案。
解决方案
就像许多事情一样,这比表面上看起来要复杂得多。
文件系统中的每个实体都指向一个inode
,它描述了文件的内容。实体是你看到的东西——文件、目录、套接字、块设备、字符设备等……
单个“文件”的内容可以通过一个或多个路径访问——这些路径中的每一个都称为“硬链接”。硬链接只能指向同一个文件系统上的文件,它们不能跨越文件系统的边界。
路径也可以寻址“符号链接”,它可以指向另一个路径 - 该路径不必存在,它可以是另一个符号链接,它可以在另一个文件系统上,或者它可以指向回来在产生无限循环的原始路径。
如果不扫描整个树,就不可能找到指向特定实体的所有链接(符号或硬链接)。
在我们进入这个之前......一些评论:
- 有关一些基准,请参见末尾。我不相信这是一个重大问题,尽管这个文件系统在 i7 上的 6 磁盘 ZFS 阵列上,所以使用较低规格的系统需要更长的时间......
- 鉴于在某些时候不调用每个文件是不可能
stat()
的,您将很难想出一个不会更复杂的更好的解决方案(例如维护索引数据库,以及引入的所有问题)
如前所述,我们必须扫描(索引)整棵树。我知道这不是你想做的,但不这样做是不可能的......
为此,您需要收集inode而不是文件名,并在事后查看它们......这里可能有一些优化,但我尽量保持简单,优先考虑理解。
以下函数将为我们生成此结构:
def get_map(scan_root):
# this dict will have device IDs at the first level (major / minor) ...
# ... and inodes IDs at the second level
# each inode will have the following keys:
# - 'type' the entity's type - i.e: dir, file, socket, etc...
# - 'links' a list of all found hard links to the inode
# - 'symlinks' a list of all found symlinks to the inode
# e.g: entities[2049][4756]['links'][0] path to a hard link for inode 4756
# entities[2049][4756]['symlinks'][0] path to a symlink that points at an entity with inode 4756
entity_map = {}
for root, dirs, files in os.walk(scan_root):
root = '.' + root[len(scan_root):]
for path in [ os.path.join(root, _) for _ in files ]:
try:
p_stat = os.stat(path)
except OSError as e:
if e.errno == 2:
print('Broken symlink [%s]... skipping' % ( path ))
continue
if e.errno == 40:
print('Too many levels of symbolic links [%s]... skipping' % ( path ))
continue
raise
p_dev = p_stat.st_dev
p_ino = p_stat.st_ino
if p_dev not in entity_map:
entity_map[p_dev] = {}
e_dev = entity_map[p_dev]
if p_ino not in e_dev:
e_dev[p_ino] = {
'type': get_type(p_stat.st_mode),
'links': [],
'symlinks': [],
}
e_ino = e_dev[p_ino]
if os.lstat(path).st_ino == p_ino:
e_ino['links'].append(path)
else:
e_ino['symlinks'].append(path)
return entity_map
我制作了一个示例树,如下所示:
$ tree --inodes
.
├── [ 67687] 4 -> 5
├── [ 67676] 5 -> 4
├── [ 67675] 6 -> dead
├── [ 67676] a
│ └── [ 67679] 1
├── [ 67677] b
│ └── [ 67679] 2 -> ../a/1
├── [ 67678] c
│ └── [ 67679] 3
└── [ 67687] d
└── [ 67688] 4
4 directories, 7 files
这个函数的输出是:
$ places
Broken symlink [./6]... skipping
Too many levels of symbolic links [./5]... skipping
Too many levels of symbolic links [./4]... skipping
{201: {67679: {'links': ['./a/1', './c/3'],
'symlinks': ['./b/2'],
'type': 'file'},
67688: {'links': ['./d/4'], 'symlinks': [], 'type': 'file'}}}
如果我们对 感兴趣./c/3
,那么您可以看到仅查看符号链接(并忽略硬链接)会导致我们错过./a/1
...
通过随后搜索我们感兴趣的路径,我们可以在这棵树中找到所有其他引用:
def filter_map(entity_map, filename):
for dev, inodes in entity_map.items():
for inode, info in inodes.items():
if filename in info['links'] or filename in info['symlinks']:
return info
$ places ./a/1
Broken symlink [./6]... skipping
Too many levels of symbolic links [./5]... skipping
Too many levels of symbolic links [./4]... skipping
{'links': ['./a/1', './c/3'], 'symlinks': ['./b/2'], 'type': 'file'}
此演示的完整来源如下。请注意,我使用相对路径来保持简单,但将其更新为使用绝对路径是明智的。此外,任何指向树外的符号链接当前都没有对应link
的 ... 这是读者的练习。
在填充树时收集数据也可能是一个想法(如果这适用于您的流程)......您可以inotify
很好地处理这个问题 - 甚至还有一个python 模块。
#!/usr/bin/env python3
import os, sys, stat
from pprint import pprint
def get_type(mode):
if stat.S_ISDIR(mode):
return 'directory'
if stat.S_ISCHR(mode):
return 'character'
if stat.S_ISBLK(mode):
return 'block'
if stat.S_ISREG(mode):
return 'file'
if stat.S_ISFIFO(mode):
return 'fifo'
if stat.S_ISLNK(mode):
return 'symlink'
if stat.S_ISSOCK(mode):
return 'socket'
return 'unknown'
def get_map(scan_root):
# this dict will have device IDs at the first level (major / minor) ...
# ... and inodes IDs at the second level
# each inode will have the following keys:
# - 'type' the entity's type - i.e: dir, file, socket, etc...
# - 'links' a list of all found hard links to the inode
# - 'symlinks' a list of all found symlinks to the inode
# e.g: entities[2049][4756]['links'][0] path to a hard link for inode 4756
# entities[2049][4756]['symlinks'][0] path to a symlink that points at an entity with inode 4756
entity_map = {}
for root, dirs, files in os.walk(scan_root):
root = '.' + root[len(scan_root):]
for path in [ os.path.join(root, _) for _ in files ]:
try:
p_stat = os.stat(path)
except OSError as e:
if e.errno == 2:
print('Broken symlink [%s]... skipping' % ( path ))
continue
if e.errno == 40:
print('Too many levels of symbolic links [%s]... skipping' % ( path ))
continue
raise
p_dev = p_stat.st_dev
p_ino = p_stat.st_ino
if p_dev not in entity_map:
entity_map[p_dev] = {}
e_dev = entity_map[p_dev]
if p_ino not in e_dev:
e_dev[p_ino] = {
'type': get_type(p_stat.st_mode),
'links': [],
'symlinks': [],
}
e_ino = e_dev[p_ino]
if os.lstat(path).st_ino == p_ino:
e_ino['links'].append(path)
else:
e_ino['symlinks'].append(path)
return entity_map
def filter_map(entity_map, filename):
for dev, inodes in entity_map.items():
for inode, info in inodes.items():
if filename in info['links'] or filename in info['symlinks']:
return info
entity_map = get_map(os.getcwd())
if len(sys.argv) == 2:
entity_info = filter_map(entity_map, sys.argv[1])
pprint(entity_info)
else:
pprint(entity_map)
出于好奇,我在我的系统上运行了这个。它是 i7-7700K 上的 6x 磁盘 ZFS RAID-Z2 池,有大量数据可供使用。诚然,这在低规格系统上运行会有些慢......
需要考虑的一些基准:
- 约 850 个目录中的约 3.1k 文件和链接的数据集。运行时间不到 3.5 秒,后续运行约 80 毫秒
- 约 2.2k 目录中约 30k 文件和链接的数据集。这在不到 30 秒内运行,后续运行约 300 毫秒
- 约 73.5k 文件和约 8k 目录中的链接的数据集。这将在大约 60 秒内运行,后续运行约 800 毫秒
使用简单的数学计算,在stat()
缓存为空的情况下每秒大约有 1140 次调用,或者stat()
在缓存被填满后每秒调用约 90k 次——我认为这并不stat()
像你想象的那么慢!
推荐阅读
- haskell - 在绑定结果的列表中查找元素?
- php - TypeError: Illuminate\Auth\SessionGuard::login(): Argument #1 ($user) must be of type Illuminate\Contracts\Auth\Authenticatable,, App\Models\Admin giv
- html - 滚动到同一页面上的不同部分
- r - 将矩阵的值替换为R中的数组
- angular - 赛普拉斯无法拖动自定义角度 cdkDragHandle
- powerpoint - Powerpoint 宏无法在 64 位 Powerpoint 上运行
- amazon-web-services - 具有多个存储库的 AWS Lambdas CI
- locust - 蝗虫:意外的关键字参数'user_count'
- java - android sqlite 无限绑定参数
- sql - SQL - 在 With 语句中使用 Group_Concat