如何读取Zip压缩包中非重复文件及最高编号的最新文件？

一、读取非重复的基础文件（data.csv 和 info.csv） #

你的原代码报错是因为str_detect(files$Name, fileExt)返回的是布尔矩阵（长度与fileExt对应，而非文件列表），duplicated无法正确处理这种结构。解决思路是先提取每个文件的「基础名称」（去掉括号内的编号后缀），再按基础名称去重：

library(tidyverse)

# 获取压缩包内文件列表
files <- unzip("data.zip", list = TRUE)

# 生成基础名称并去重
files_clean <- files %>%
  mutate(
    # 移除文件名中的"(数字)"后缀，得到统一的基础名称
    base_name = str_replace(Name, "\\s\\(\\d+\\)", "")
  ) %>%
  # 按基础名称去重，保留每个名称对应的第一个文件（即无编号的原始文件）
  distinct(base_name, .keep_all = TRUE)

# 提取去重后的文件路径，直接读取压缩包内的文件
files_no_dup <- files_clean$Name
files_read <- map(files_no_dup, ~read_csv(unz("data.zip", .x)))

二、读取编号最高的最新文件 #

如果需要筛选每个文件组中编号最大的版本（比如info (1).csv优先于info.csv），可以通过提取版本编号并分组筛选实现：

library(tidyverse)

files <- unzip("data.zip", list = TRUE)

# 提取基础名称与版本号，筛选每组最新文件
files_latest <- files %>%
  mutate(
    # 生成基础名称
    base_name = str_replace(Name, "\\s\\(\\d+\\)", ""),
    # 提取括号内的版本编号，无编号的文件版本号设为0
    version_number = as.integer(str_extract(Name, "(?<=\\()\\d+(?=\\))")) %>% replace_na(0)
  ) %>%
  group_by(base_name) %>%
  # 每组选择版本号最大的文件
  slice_max(version_number, n = 1) %>%
  ungroup()

# 读取最新版本的文件
files_latest_paths <- files_latest$Name
files_read_latest <- map(files_latest_paths, ~read_csv(unz("data.zip", .x)))

关键细节说明 #

• 使用unz()直接读取压缩包内文件，无需提前解压，节省磁盘空间。
• 正则表达式\\s\\(\\d+\\)匹配文件名中的 (数字)格式后缀，(?<=\\()\\d+(?=\\))用于精准提取括号内的数字。

内容的提问来源于stack exchange，提问作者ksinva