Python os.walk遍历目录时标注路径所属一级文件夹方法

在示例目录结构中，Project根目录下存在das、des、dga三个一级子文件夹，以及根文件randomfile.xlsx，各一级子文件夹内还嵌套有子文件夹与对应文件，目录结构如下：

📦Project
 ┣ 📂das
 ┣ 📂des
 ┃ ┣ 📂subfolder_des1
 ┃ ┃ ┗ 📜COM-EL-DES-0002-0.pdf
 ┃ ┗ 📜COM-EL-DES-0001-0.pdf
 ┣ 📂dga
 ┃ ┣ 📂subfolder_dga1
 ┃ ┃ ┗ 📜3500-ST-DGA-0047-0.pdf
 ┃ ┣ 📂subfolder_dga2
 ┃ ┃ ┣ 📜3500-ST-DGA-0046-0.pdf
 ┗ 📜randomfile.xlsx

现有代码通过os.walk遍历Project目录下的全量目录树，将所有文件、文件夹路径收集后存入pandas DataFrame，收集到的路径示例如下：

c:/Project/das
c:/Project/des
c:/Project/dga
c:/Project/des/subfolder_des1/
c:/Project/des//subfolder_des1/COM-EL-DES-0002-0.pdf
...
...

需要给收集到的路径新增第二列标注，规则如下：

• 根目录下的文件统一标注为Project（或root_files）
• 所有位于一级文件夹下的子文件夹、文件，无论嵌套深度多少，均标注对应一级文件夹名称，忽略深层子文件夹层级

期望输出的DataFrame格式如下：

Path                                                  col2
c:/Project/das                                         das
c:/Project/des                                         des
c:/Project/dga                                         dga
c:/Project/des/subfolder_des1/                         des
c:/Project/des/subfolder_des1/COM-EL-DES-0002-0.pdf    des
c:/Project/randomfile.xlsx                             Project
c:/Project/dga/subfolder_dga1/                         dga
...
...

注意：示例中的das、des、dga仅为演示用名，脚本需要适配任意输入路径，自动识别一级文件夹名称，不可硬编码目录名。

目前已写出基础遍历框架，以及未验证的一级目录匹配函数：

import os
import pandas as pd
from pathlib import Path

def dir_tree(path):
    dir_list = []
    col2_list = []

    for root, dirs, files in os.walk(path):
        for d in dirs:
            dir_list.append(os.path.join(root, d))
        for f in files:
            dir_list.append(os.path.join(root, f))
    return dir_list, col2_list

def save_to_df(path):
    dir_list, col2_list = dir_tree(path)
    dir_tree_df = pd.DataFrame({"Path" : dir_list, "col2" : col2_list})

# 待验证的匹配函数
def get_folder_name(path_str: str, source_directory: str) -> str:
    path_replace = path_str.replace(source_directory, "")
    path = Path(path_replace)
    parts = path.parts
    
    joined = os.path.join(source_directory, parts[1])
    if os.path.isfile(joined):
        return "root_files"
    else:
        return parts[1]

原有get_folder_name的核心思路正确，仅需补全路径标准化、边界场景处理，整合到遍历流程即可直接使用，修改后完整可运行代码如下：

import os
import pandas as pd
from pathlib import Path

def get_top_level_tag(full_path: str, root_path: str) -> str:
    # 统一路径格式，处理斜杠不一致、多余斜杠问题
    full_path = os.path.normpath(full_path)
    root_path = os.path.normpath(root_path)
    # 计算相对路径，避免字符串替换的匹配错误
    rel_path = os.path.relpath(full_path, root_path)
    rel_parts = Path(rel_path).parts
    # 相对路径长度为1说明是根目录下直接的文件/文件夹
    if len(rel_parts) == 1:
        # 是文件则标记为Project，是文件夹则返回自身名称
        if os.path.isfile(full_path):
            return "Project"
        else:
            return rel_parts[0]
    # 相对路径长度大于1，第一部分就是一级文件夹名
    else:
        return rel_parts[0]

def dir_tree(root_path):
    dir_list = []
    col2_list = []
    # 若不需要把根目录本身加入结果，可注释下面两行
    dir_list.append(root_path)
    col2_list.append("Project")

    for current_root, dirs, files in os.walk(root_path):
        for d in dirs:
            full_d_path = os.path.join(current_root, d)
            dir_list.append(full_d_path)
            col2_list.append(get_top_level_tag(full_d_path, root_path))
        for f in files:
            full_f_path = os.path.join(current_root, f)
            dir_list.append(full_f_path)
            col2_list.append(get_top_level_tag(full_f_path, root_path))
    return dir_list, col2_list

def save_to_df(path):
    dir_list, col2_list = dir_tree(path)
    dir_tree_df = pd.DataFrame({"Path" : dir_list, "col2" : col2_list})
    return dir_tree_df

# 调用示例
if __name__ == "__main__":
    df = save_to_df("c:/Project")
    print(df)

逻辑说明 #

• 用os.path.normpath统一处理不同系统的斜杠格式、多余斜杠问题，避免路径解析错误
• 用os.path.relpath计算目标路径相对于根目录的相对路径，比直接字符串替换更可靠，不会出现根目录名和子路径重名导致的匹配错误
• 按相对路径的分段长度判断：如果分段长度为1，说明是根目录下直接存放的内容，文件标记为Project，文件夹返回自身名称；如果分段长度大于1，第一段就是所属的一级文件夹名，直接返回即可
• 遍历过程中直接计算标签，不需要提前存储所有路径再二次处理，执行效率更高

内容的提问来源于stack exchange，提问作者user14380579