gallery-dl项目:如何基于现有文件构建SQLite数据库实现自动跳过已下载文件
在数据抓取和下载过程中,经常会遇到需要处理大量文件的情况。对于使用gallery-dl这样的下载工具的用户来说,如何高效管理已下载文件并避免重复下载是一个常见需求。本文将详细介绍如何基于现有文件构建SQLite数据库,使gallery-dl能够自动识别并跳过已下载的文件。
背景与需求分析
许多用户在使用gallery-dl下载内容时,初期可能没有启用存档功能,导致后续下载无法自动跳过已存在的文件。特别是当下载大量Twitter内容时,完整的元数据文件体积庞大,不便于携带。此时,基于现有文件构建SQLite数据库就成为一个实用的解决方案。
技术实现方案
文件名格式设计
要实现有效的文件去重,首先需要确保文件名具有唯一性。在Twitter内容下载场景中,可以采用以下格式:
{author[name]}-{tweet_id}-{date:Olocal/%Y%m%d-%H%M%S}-img{num}.{extension}
这种格式结合了作者名、推文ID、精确到秒的时间戳和图片序号,确保了每个文件的唯一性。
文件统计脚本
第一步是统计所有已下载文件的文件名。可以使用以下Python脚本遍历目标文件夹并生成文件名列表:
import os
import sys
def main():
if len(sys.argv) != 2:
print("请指定目标文件夹路径")
sys.exit(1)
target_dir = sys.argv[1]
if not os.path.isdir(target_dir):
print(f"错误:'{target_dir}'不是有效文件夹")
sys.exit(1)
json_files = []
other_files = []
for root, dirs, files in os.walk(target_dir):
for filename in files:
if filename.lower().endswith('.json'):
json_files.append(filename)
else:
other_files.append(filename)
with open('twitter-metadata.txt', 'w') as f:
f.write('\n'.join(json_files))
with open('twitter.txt', 'w') as f:
f.write('\n'.join(other_files))
print(f"完成!统计到{len(json_files)}个JSON文件和{len(other_files)}个其他文件")
if __name__ == '__main__':
main()
该脚本会将JSON文件和其他文件分别保存到不同的文本文件中,便于后续处理。
数据库构建脚本
接下来,需要将文件名列表转换为gallery-dl可识别的SQLite数据库格式。关键点在于gallery-dl的数据库文件中每个条目都以网站名称为前缀(如"twitter"):
import sqlite3
import os
def create_database(txt_path, db_path):
if os.path.exists(db_path):
os.remove(db_path)
conn = sqlite3.connect(db_path, timeout=60, check_same_thread=False)
conn.isolation_level = None
cursor = conn.cursor()
cursor.execute('''CREATE TABLE archive (
entry PRIMARY KEY
) WITHOUT ROWID''')
cursor.execute("BEGIN TRANSACTION")
try:
with open(txt_path, 'r') as f:
for line in f:
original = line.strip()
if original:
prefixed_name = f"twitter{original}"
cursor.execute(
"INSERT OR IGNORE INTO archive VALUES (?)",
(prefixed_name,)
)
cursor.execute("COMMIT")
except:
cursor.execute("ROLLBACK")
raise
finally:
conn.close()
return cursor.rowcount
def main():
file_pairs = [
("twitter-metadata.txt", "twitter-metadata.sqlite3"),
("twitter.txt", "twitter.sqlite3")
]
for txt_file, db_file in file_pairs:
if not os.path.exists(txt_file):
print(f"错误:找不到文件{txt_file}")
continue
record_count = create_database(txt_file, db_file)
print(f"已创建数据库{db_file},包含{record_count}条记录")
if __name__ == "__main__":
main()
注意事项与扩展
-
前缀问题:gallery-dl数据库中的每个条目都以网站名称为前缀(如"twitter"),这是容易被忽视的关键点。
-
自定义适配:如果文件名格式或目录结构与示例不同,可以调整脚本逻辑。例如:
- 修改文件名匹配规则
- 添加目录路径信息
- 更改网站名称前缀
-
性能优化:对于超大规模文件集合,可以考虑:
- 分批处理文件
- 增加进度显示
- 优化数据库事务处理
-
多平台兼容:脚本应能在Windows、Linux和macOS等不同操作系统上正常运行。
实际应用建议
- 定期执行数据库更新,保持与下载目录同步
- 将数据库文件纳入版本控制系统管理
- 考虑添加文件校验和(如MD5)作为额外去重依据
- 对于不同网站,创建独立的数据库文件
通过这种方法,用户可以有效地管理已下载内容,避免重复下载,同时保持数据可移植性。这种方案特别适合需要频繁在不同设备间迁移工作环境的用户。
Hunyuan3D-Part
腾讯混元3D-Part00Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0277community
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息011Hunyuan3D-2
Hunyuan3D 2.0:高分辨率三维生成系统,支持精准形状建模与生动纹理合成,简化资产再创作流程。Python00Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选









