Finde filer af en bestemt type ud fra indholdet?

Det er en værre pickle. Jeg sad selv med dette da jeg skulle redde vores slettede filer ud fra vores fællesdrev på arbejdet. Alt var i flade filer med blocknumre og ingen filextension, så jeg var nødt til at skrive en mængde scripts der løb hver eneste fil igennem, checkede deres mimetype, checkede om deres data var intakt, og så flytte og rename dem, den kunne redde. Det var en større øvelse, men det var også en lidt mere kompleks omgang end jeg tror din situation er.

Det du gerne vil er basically at analysere på outputtet af find, hvorvidt der står "data" eller "noget andet". Hvis "noget andet" skal filen flyttes til en safe-mappe.

Personligt ville jeg strikke et PHP-script sammen til formålet. noget ala


foreach(glob('filerderskalanalyseres/*.pptx') as $filename){
ob_start();
system('file ' . $filename);
$output = ob_get_clean();
if($output!='data'){
system('mv ' . $filename . ' /den/folder/det/nu/skal/ligge/i');
}
}

det ovenstående skal tweakes til at passe situationen. fx tager den kun højde for pptx-filer, og den går ud fra at outputtet på korrupte filer er *præcist* strengen "data". dvs hvis der er whitespace før og efter, eller hvis der er noget "error:" eller hvis filnavnet er med i, så vil den flytte hver eneste fil. Så du skal lave en regular expression der passer præcist på det du forventer at få ud, ved en fejl.


for i in `find *pox*`; do
ii=`file $i | grep -v data`;
if [ "$ii" != "" ];
then cp $i /newdisk/dir/;
fi;
done;


erstat find *pox* med din find streng og /newdisk/dir/ med det korrekte.

grep -v svarer til at søge efter hvis strengen ikke findes i file outputtet du kan selv tilpasse grep regexp.
Edit så at data faktisk indgår i outputtet for excel så du skal nok leje lidt mere med grep for kun at fange de filer der faktisk er invalide. der er også nogle filer som file repportere som data der ikke er korrupte.
grep -v ": data$" er et bedre bud end ovenstående.

#1:

Tak for ideen!

Jeg var alt for fokuseret på bash scripting som jeg ikke har ret godt styr på og tænkte slet ikke i php-baner som er mit ekspertområde.

Dit forslag kan bruges stort set uændret:

#!/usr/bin/php
<?php
foreach(glob('*.pptx') as $filename){
ob_start();
system('file ' . "'$filename'");
$output = ob_get_clean();
#echo $output;
if(preg_match('/Zip archive data, at least v2\.0 to extract/', $output)){
system('echo found: ' . $filename . "\n");
system('cp ' . "'$filename'" . ' ok-files');
}
}
?>

Og det kan let modificeres til fx word-dokumenter:

#!/usr/bin/php
<?php
foreach(glob('*.doc') as $filename){
ob_start();
system('file ' . "'$filename'");
$output = ob_get_clean();
#echo $output;
if(preg_match('/Template: .*\.dot/', $output)){
system('echo found: ' . $filename . "\n");
system('cp ' . "'$filename'" . ' ok-files');
}
}
?>

#2:

Det ser også ud til at kunne virke, men der er problemer med filer som indeholder mellemrum. Det får file i linje 2 til at fejle.

#4:
Så sæt gåseøjne rundt om $i

#5: Så sæt gåseøjne rundt om $i

Det var min første indskydelse men det virkede ikke. Rodede dog ikke videre derefter idet php-løsningen fungerer fint.

#6: Det var min første indskydelse men det virkede ikke. Rodede dog ikke videre derefter idet php-løsningen fungerer fint.


Det eneste jeg er kommet fremtil er at bash variabler er noget hø hvis du har mellemrum. da bash tilkytter en semantisk betyding til whitespaces.

det virker fint med find|sed 's/ /\\ g/' hvis du forsøger at putte det i en variabel forsvinder \ og newline chars.

#7: Det eneste jeg er kommet fremtil er at bash variabler er noget hø hvis du har mellemrum. da bash tilkytter en semantisk betyding til whitespaces

I det hele taget synes jeg bash har en forfærdelig syntaks. Det er derfor jeg aldrig er kommet længere end til noob stadiet! Det irriterer mig, og så har jeg svært ved at tage mig sammen til at lære det ordentligt.

#8: I det hele taget synes jeg bash har en forfærdelig syntaks. Det er derfor jeg aldrig er kommet længere end til noob stadiet!


For mig er det ikke så meget syntaksen men mere de underlige særheder der hele tiden er og ikke rigtigt er dokumenteret, jeg har selv problemer med at overskue lidt større ting, er primært breakfix tekniker og ikke programør.