detox — čistíme jména souborů

2.8.2010 14:34 | Přečteno: 2980× | GNU/Linux |

Dostal jsem se do situace, kdy mám na pevném disku minimálně desítky souborů, které ve svém názvu obsahují problémové znaky. Ručně je přejmenovávat by mi zabralo hromadu času. Ale taky proč to dělat, když existuje program detox.

K čemu slouží program detox

Program detox slouží k (hromadnému) přejmenování souborů — odstraňuje z jmen souborů mezery a jiné problémové znaky.

Co jsou to sekvence?

Pojem sekvence vyjadřuje sérii filtrů, podle kterých bude progarm detox přejmenovávat jednotlivé soubory.

Začínáme

Program detox, jeho konfigurační soubory (/etc/detox/detoxrc a ~/.detoxrc) a převodní tabulky tvoří celek potřebný pro správnou funkci přejmenovávání souborů.

Důležité volby programu detox

Pro začátek je asi nejdůležitější volba -Lv, která nám zobrazí aktuálně dostupné sekvence plus zobrazí všechny filtry, které jednotlivé sekvence obsahují.

Podle mě nejdůležitější volbou je -s sekvence, která způsobí, že program detox nepoužije na přejmenování sekvenci default, nýbrž použije sekvenci sekvence.

Přejmenovávání "nanečisto" umožňuje volba -n --dry-run, díky níž zjistíme, co by se stalo. Tato volba tedy nemění nic.

Konfigurační soubory programu detox

Normálně existují dva konfigurační soubory — /etc/detox/detoxrc (globální konfigurační soubor) plus každý uživatel může mít svůj konfigurační soubor ~/.detoxrc. Na příkladě budu vysvětlovat:

sequence "utf_8" {
        utf_8;
        safe;
        wipeup;
};

Tento příklad vytváří (definuje) sekvenci utf_8 obsahující filtry (sekvence), které budou aplikovány při přejmenovávání souborů. Dále popíšu podle mě důležité filtry (sekvence):

utf_8 {filename "/path/to/filename";};

Převede Unicode (UTF-8) znaky na "bezpečné ekvivalenty". /path/to/filename je textový soubor obsahující informace pro převod znaků. Vynecháme-li filename "/path/to/filename", bude program detox hledat unicode.tbl.

safe {filename "/path/to/filename";};

Převede znaky, které by dělaly problémy v systémech UNIX(-like), na znaky, které problémy v UNIX(-like) systémech nedělají.

wipeup {remove_trailing;};

Více podtržítek nebo pomlček budou převedeny na jedno podtřžítko či pomlčku. Série pomlček a podtržítek bude převedena na jednu pomlčku. remove_trailing způsobí odstranění pomlčky či podtržítka, které jsou následovány ihned tečkou.

max_length {length value;};

Ořeže jméno souboru na length (nebo méně) znaků. Program detox se pokusí zachovat všechno po poslední tečce (tedy zachová příponu souboru).

lower;

Program detox převede velká písmena na malá.

# Comments

Cokoli za znakem '#' je ignorováno.

Ještě jeden příklad

sequence "default" {
        utf_8;
        safe;
        lower;
        wipeup;
};

Program detox aplikuje na jména souborů postupně filtry (sekvence) utf_8, safe, lower a wipeup. Jedná se o výchozí ("default") sekvenci — pokud tedy výslovně (pomocí -s) nezvolíte jinou sekvenci, bude použita tato výchozí.

Závěr

Program detox umožňuje ovlivnit práci filtrů pomocí převodních tabulek. Viz parametr filename "/path/to/filename" u filtrů utf_8, safe. Pro víc informací viz man detox, man detoxrc a man detox.tbl.

       

Komentáře

[gtz]

Já jsem něco podobného řešil přes python.

#! /usr/bin/env python
import os
spatne = list('''!"#$%&\'()*+,/:;<=>?@[\\]^_`{|}~ ''')
repl = "_"
for root,dir,files in os.walk(os.getcwd()):
        for fi in files:
                for ill in spatne:
                        if ill in fi:     
                                print "found ",  os.path.join(root,fi)                        
                                newname = fi.replace(ill,repl)
                                os.rename( os.path.join(root,fi) , os.path.join(root,newname) )

až budu něco podobného řešit příště tak detox zkusím.

[Begleiter]

Díky. Mám v plánu se minimálně základy Pythonu naučit.

[gtz]

Není zač, není to můj výtvor, já to mám také od jednoho známého.

[P.]

Odsazování 8 mezerama působí nepřirozeně.

[fraxinus]

ls -b

[rofl.rofl]

Bezvadnej program, neznal jsem a děkuju.

[Begleiter]

Není zač.

[Jan Zahornadsky]

Není jednodušší a systémovější kódování vždy správně nastavit? Napsoledy, když jsem ten detox zkoušel, tak mi z pokusného adresáře zbyla jen kupa velmi divně pojmenovaných souborů místo původně aspoň trochu vizuálně odlišitelných názvů (ač byly v kdejakých písmech).

[gtz]

Někdy to prostě nejde, já jsem před nějakou dobou obnovoval data jednomu pánovi, obnova dopadla jak měla, ale problém byl s jeho soubory. On to měl na vidlích a nějak se nezatěžoval pojmenováním souborů. Pak se tam dal najít chaos typu "ěščř.jpg apod." a s tím se moc dělat nedalo. Bylo toho tehdy 20 adresářů a v každém skoro 1000 souborů, kdy takto zmršeno byla snad 1/3. Jak jsem psal o něco výše kolega mi poslal nějaký python script, přes který se to dalo rychle udělat.

Když to jde tak je to pohoda, ale pokud se člověk setká právě s takovým chaosem tak mu nic jiného nezbývá než použít něco podobného.

jak jsem se dnes díval na ten detox, neměl by být problém ho nastavit tak, aby dělal co má.

[Jan Zahornadsky]

Měl jsem na mysli třeba ruské album, kde se každá skladba jmenuje v azbuce. Člověk pak po "detoxikaci" nerozezná, co je co i přesto, že by to předtím třeba i tipnul/vyslabikoval. Proto mi přijde, že nechat si takto zkonvertovat vše jenom proto, aby kdyby to někdo náhodou někam kopíroval, tak si nemusel hrát s kódováním, může být docela kontraproduktivní.

Jinak v tom zmiňovaném případě, kde je ten chaos (kromě toho, že si někdo špatně organizuje data, co ale na žádné technologii nezávisí)? Pokud se převede kódování z Win cp-1250 na cokoli má ten nový systém, tak si své jména souborů mohl nadále užívat

[jsn]

nenapada nekoho reseni nasledujiciho problemu:

- pripojuji se z NB (Fedora) pres ICA klienta do korporatniho Citrixu - z Citrixu ukladam radu souboru na "lokalni disk" ICA klienta (mech. A:) - je namapovany na lokalni disk NB (a tedy Linuxu) - Citrix zapisuje jmena souboru ve Win-1250 - NB pracuje v UTF-8

Nektere soubory vznikaji v Linuxu a pote je s nimi potreba pracovat v Citrixu, jine vzniknou na Citrixu a pracuji s nimi poslez na NB.

Existuje nejaka moznost prekodovani jmen souboru, ktera problem resila? Napriklad namontovat lokalni FS jeste podruhe na jiny montovaci bod a premapovat pritom kodovani jmen souboru ... Nebo neco uplne jineho.

[VSi]

Tohle by měl řešit sám ten ICA klient. Nejde to někde v něm nastavit? Jinak je to jasná chyba, která by se měla opravit.

Připojit FS podruhé (ve většině případů) nejde. Jedině jestli neexistuje nějaký nástroj podobný bind mount, který by dělal překódování. O ničem takovém nevím.