如何用utils::untar按模式批量提取tar包中指定文件？

问题背景 #

需要批量处理500+个按日期划分的tar包，每个包内仅需提取两个特定文件（即示例列表中的第9、10号文件）。直接指定文件名可成功提取，但使用glob2rx或错误的grepl写法时，会提取所有文件，无法满足批量需求。

错误用法分析 #

1. grepl用法完全错误：untar的files参数不接受逻辑值，而grepl("zz_ssmv11036tS*")既未传入待匹配的文件名向量，返回的逻辑值也不符合参数要求。
2. glob2rx未结合正确引擎：glob2rx("zz_ssmv11036tS*")生成的正则表达式需配合tar="internal"参数才能被untar识别，默认使用系统tar时无法解析正则，导致匹配失效。

正确解决方案 #

方案1：使用内部tar引擎+正则表达式 #

利用tar="internal"启用R内部的tar处理引擎，直接传入精准正则匹配目标文件：

untar("path/to/file.tar", 
      files = "^zz_ssmv11036tS__T0001TTNATS.*HP001\\.(txt|dat)\\.gz$",
      tar = "internal")

正则说明：

• ^ 匹配文件名开头
• zz_ssmv11036tS__T0001TTNATS 固定前缀
• .* 匹配中间任意字符（适配日期变化）
• HP001 固定标识
• \\.(txt|dat)\\.gz$ 匹配后缀为.txt.gz或.dat.gz的文件，$匹配文件名结尾

方案2：先筛选文件名再提取 #

先列出tar包内所有文件，筛选出目标后再提取，兼容性更强：

# 获取tar包内全部文件名
tar_file_list <- untar("path/to/file.tar", list = TRUE)
# 筛选目标文件
target_files <- grep("^zz_ssmv11036tS__T0001TTNATS.*HP001\\.(txt|dat)\\.gz$", 
                     tar_file_list, 
                     value = TRUE)
# 提取目标文件
untar("path/to/file.tar", files = target_files)

方案3：使用系统tar的shell通配符 #

如果依赖系统tar，可使用shell风格的通配符（无需设置tar="internal"）：

untar("path/to/file.tar", 
      files = "zz_ssmv11036tS__T0001TTNATS*HP001*.gz")

批量处理示例 #

针对目录下所有tar包，批量提取目标文件到指定目录：

# 获取所有tar文件路径
tar_paths <- list.files("path/to/tar_dir", pattern = "\\.tar$", full.names = TRUE)

# 定义批量提取函数
batch_extract <- function(tar_path) {
  tar_file_list <- untar(tar_path, list = TRUE)
  target_files <- grep("^zz_ssmv11036tS__T0001TTNATS.*HP001\\.(txt|dat)\\.gz$", 
                       tar_file_list, 
                       value = TRUE)
  # 提取到extract_dir目录
  untar(tar_path, files = target_files, exdir = "path/to/extract_dir")
}

# 执行批量提取
lapply(tar_paths, batch_extract)

内容的提问来源于stack exchange，提问作者Zairi