有效地从大型 .tgz 中删除文件

Question 1

使用 GNU tar，您可以执行以下操作：

pigz -d < file.tgz |
  tar --delete --wildcards -f - '*/prefix*.jpg' |
  pigz > newfile.tgz

和bsdtar：

pigz -d < file.tgz |
  bsdtar -cf - --exclude='*/prefix*.jpg' @- |
  pigz > newfile.tgz

（pigz是多线程版本gzip）。

您可以覆盖文件本身，如下所示：

{ pigz -d < file.tgz |
    tar --delete --wildcards -f - '*/prefix*.jpg' |
    pigz &&
    perl -e 'truncate STDOUT, tell STDOUT'
} 1<> file.tgz

但这是相当危险的，特别是如果结果最终压缩程度低于原始文件（在这种情况下，第二个文件pigz可能最终会覆盖第一个文件尚未读取的文件区域）。

Answer

使用 GNU tar，您可以执行以下操作：

pigz -d < file.tgz |
  tar --delete --wildcards -f - '*/prefix*.jpg' |
  pigz > newfile.tgz

和bsdtar：

pigz -d < file.tgz |
  bsdtar -cf - --exclude='*/prefix*.jpg' @- |
  pigz > newfile.tgz

（pigz是多线程版本gzip）。

您可以覆盖文件本身，如下所示：

{ pigz -d < file.tgz |
    tar --delete --wildcards -f - '*/prefix*.jpg' |
    pigz &&
    perl -e 'truncate STDOUT, tell STDOUT'
} 1<> file.tgz

但这是相当危险的，特别是如果结果最终压缩程度低于原始文件（在这种情况下，第二个文件pigz可能最终会覆盖第一个文件尚未读取的文件区域）。

Question 2

不要低估简单的方法：它可能足够快以满足您的目的。和AVFS以目录形式访问存档：

cd ~/.avfs/path/to/original.tar.gz\#
pax -w -s '/^.*\.jpg$//' | gzip >/path/to/filtered.tar.gz        # POSIX
tar -czf /path/to/filtered.tar.gz -s '/^.*\.jpg$//' .            # BSD
tar -czf /path/to/filtered.tar.gz --transform '/^.*\.jpg$//' .   # GNU

使用更原始的工具，首先提取排除文件的文件.jpg，然后创建新的存档。

mkdir tmpdir && cd tmpdir
<original.tar.gz gzip -d | pax -r -pe -s '/^.*\.jpg$//'
pax -w . | gzip >filtered.tar.gz
cd .. && rm -rf tmpdir

如果你的焦油有--exclude：

mkdir tmpdir && cd tmpdir
tar -xzf original.tar.gz --exclude='*.jpg'
tar -czf filtered.tar.gz .
cd .. && rm -rf tmpdir

然而，如果您不以 root 身份运行它，这可能会破坏文件所有权和模式。为了获得最佳结果，请使用快速文件系统上的临时目录 - tmpfs（如果您有足够大的文件系统）。

对归档器充当传递（即读取归档文件和写入归档文件）的支持往往是有限的。GNU tar 可以从档案中删除成员与--delete操作选项（“据报告，该选项在充当从到的过滤器--delete时可以正常工作。”），这可能是您的最佳选择。tarstdinstdout

您可以用几行 Python 代码创建强大的存档过滤器。它是tarfile库可以从不可查找的流中读取和写入，并且您可以在Python中使用任意代码来过滤、重命名、修改......

#!/usr/bin/python
import re, sys, tarfile
source = tarfile.open(fileobj=sys.stdin, mode='r|*')
dest = tarfile.open(fileobj=sys.stdout, mode='w|gz')
for member in source:
    if not (member.isreg() and re.match(r'.*\.jpg\Z', member.name)):
        sys.stderr.write(member.name + '\n')
        dest.addfile(member, source.extractfile(member))
dest.close()

Answer