Usando Python, ¿cómo descomprimir puramente en la memoria?

tar python-requests

Question

Estoy trabajando en un entorno donde no puedo guardar nada en el disco. Necesito poder extraer archivos tar y descomprimirlos sin guardarlos en el disco. Esto parece fallar:

He intentado esto pero arroja errores:

# fetch.py
from cStringIO import StringIO
import requests
url = "http://example.com/data.tar.gz"
response = requests.get(url)

# ERROR is thrown here. Error shown below
tar = tarfile.open(mode= "r:gz", fileobj = StringIO(response.content))

# This SHOULD break as tar.extract() saves to disk. 
# Can''t tell because of error on previous line of code.
data = tar.extract() 

Como se describe en el bloque de código anterior, obtengo el siguiente rastreo en la línea de error:

Traceback (most recent call last):
  File "<input>", line 1, in <module>
  File "./importers/bestbuy_fetcher.py", line 23, in download_bestbuy_batch
    tar = tarfile.open(mode= "r:gz", fileobj = StringIO(response.content))
  File "/System/Library/Frameworks/Python.framework/Versions/2.6/lib/python2.6/tarfile.py", line 1662, in open
    return func(name, filemode, fileobj, **kwargs)
  File "/System/Library/Frameworks/Python.framework/Versions/2.6/lib/python2.6/tarfile.py", line 1711, in gzopen
    **kwargs)
  File "/System/Library/Frameworks/Python.framework/Versions/2.6/lib/python2.6/tarfile.py", line 1689, in taropen
    return cls(name, mode, fileobj, **kwargs)
  File "/System/Library/Frameworks/Python.framework/Versions/2.6/lib/python2.6/tarfile.py", line 1568, in __init__
    self.firstmember = self.next()
  File "/System/Library/Frameworks/Python.framework/Versions/2.6/lib/python2.6/tarfile.py", line 2324, in next
    raise ReadError(str(e))
ReadError: invalid header

Answer 1

Esto debería ayudar

import sys
import zipfile
sys.argv[0] = "/home/tom/Documents/REdata/AllListing1RES.zip"
zip_file    = zipfile.ZipFile(sys.argv[0])
items_file  = zip_file.open(''AllListing1RES.txt'', ''rU'')
df = read_table(items_file, sep=''/t'', index_col=0)

Answer 2

Puedes probar lo que hicimos al tratar con solicitudes + tar: Usa el | Modo para abrir el archivo. Consulte http://docs.python.org/library/tarfile.html#tarfile.open para obtener más información.

Puede ver el código en https://github.com/djeese/djeese-client/blob/master/djeese/commands/clonestatic.py#L53

Básicamente, abre el archivo tar utilizando tarfile.open(mode=''r|gz'', fileobj=response.raw) .

Eso funcionó maravillosamente para nosotros, y espero que también lo haga para usted.

Answer 3

Resulta que el problema era que el archivo " data.tar.gz no era un archivo tar. Solo un archivo comprimido con gzip. Así que lo resolví con:

# fetch.py
from cStringIO import StringIO
import gzip
import requests
# Called a ''tar'' file but actually a gzip file. @#$%!!!
url = "http://example.com/data.tar.gz"
response = requests.get(url)

results = gzip.GzipFile(fileobj=StringIO(response.content))

¡Gracias a todos los que ayudaron a colaborar!

Answer 4

Sospecho que el error le está diciendo que el formato de archivo del archivo tar es incorrecto. Intente buscar el archivo con wget y anular la grabación en la línea de comandos.

La otra pregunta, acerca de cómo detener Python al escribir el contenido del archivo en el disco, requiere una mirada más cercana a la API del tarfile . En lugar de llamar a TarFile.extract() , creo que necesitas getnames() que devolverá el nombre de cada miembro en el archivo tar. Luego puede usar extractfile para obtener el contenido de ese miembro:

 |  extractfile(self, member)
 |      Extract a member from the archive as a file object. `member'' may be
 |      a filename or a TarInfo object. If `member'' is a regular file, a
 |      file-like object is returned. If `member'' is a link, a file-like
 |      object is constructed from the link''s target. If `member'' is none of
 |      the above, None is returned.
 |      The file-like object is read-only and provides the following
 |      methods: read(), readline(), readlines(), seek() and tell()

Aquí hay un ejemplo:

import tarfile    

# Open tarfile
tar = tarfile.open(mode="r:gz", fileobj = file(''foo.tgz''))

# Iterate over every member
for member in tar.getnames():
    # Print contents of every file
    print tar.extractfile(member).read()