Como recomprimir 2 milhões de arquivos gzip sem armazená-los duas vezes?

Question

Eu tenho cerca de 2 milhões (60GiB) de arquivos pequenos gzipados e gostaria de criar um arquivo compactado contendo todos eles em uma versão não compactada. Infelizmente, não posso simplesmente descompactar todos eles e depois criar o arquivo compactado, pois tenho apenas cerca de 70GiB de espaço livre em disco. Em outras palavras, como posso fazer um equivalente a tar --file-filter="zcat" zcf file.tar.gz directory se a opção de linha de comando como --file-filter não existir no tar GNU?

    

Answer 1

Uma opção poderia ser usar avfs (assumindo aqui um sistema GNU):

mkdir ~/AVFS &&
avfsd ~/AVFS &&
cd ~/AVFS/where/your/gz/files/are/ &&
find . -name '*.gz' -type f -printf '%p#
mkdir ~/AVFS &&
avfsd ~/AVFS &&
cd ~/AVFS/where/your/gz/files/are/ &&
find . -name '*.gz' -type f -printf '%p#%pre%' |
  tar --null -T - --transform='s/.gz#$//' -cf - | pigz > /dest/file.tar.gz
' |
  tar --null -T - --transform='s/.gz#$//' -cf - | pigz > /dest/file.tar.gz

    

Answer 2

Tome nota de que isso é frágil quando se trata de nomes de arquivos desagradáveis.

dir_with_small_files=/home/john/files
tmpdir=/tmp/ul/dst
tarfile=/tmp/ul.tar
mkfifo "${tarfile}"

gzip <"${tarfile}" >"${tarfile}.gz" &

find "$dir_with_small_files" -type f | \
while read src; do
    dstdir="${tmpdir}/$(dirname $src)"
    dst="$(basename $src .gz)"
    mkdir -p "$dstdir"
    gunzip <"$src" >"${dstdir}/${dst}"
    # rm "$src" # uncomment to remove the original files
    echo "${dstdir}/${dst}"
done | \
cpio --create --format=ustar -v --quiet 2>&1 >"${tarfile}" | \
while read x; do
    rm "$x"
done

# clean-up
rm "$tarfile"
rm -r "$tmpdir"

Os arquivos são descompactados temporariamente em $tmpdir , passados para cpio , assim que são adicionados ao arquivo, removidos.

    

Answer 3

Aqui está o que eu tentei até agora - parece funcionar, mas é terrivelmente lento, mesmo com o PyPy:

#!/usr/bin/python

import tarfile
import os
import gzip
import sys
import cStringIO

tar = tarfile.open("/dev/stdout", "w|")
for name in sys.stdin:
    name = name[:-1]  # remove the trailing newline
    try:
        f = gzip.open(name)
        b = f.read()
        f.close()
    except IOError:
        f = open(name)
        b = f.read()
        f.close()
    # the [2:] there is to remove ./ from "find" output
    ti = tarfile.TarInfo(name[2:])
    ti.size = len(b)
    io = cStringIO.StringIO(b)
    tar.addfile(ti, io)
tar.close()

Uso: find . | script.py | gzip > file.tar.gz