ChatGPT编程—实现小工具软件(文件查找和筛选)

ChatGPT编程---实现小工具软件(文件查找和筛选)

今天借助[小蜜蜂AI][https://zglg.work]网站的ChatGPT编程实现一个功能:根据特定需求结合通配符和其他条件来进行文件查找和筛选。在这个例子中,我们将创建一个函数find_files,它接受用户输入的目录路径、文件扩展名以及其他条件作为参数,并返回符合条件的文件列表。

环境:Pycharm 2021

系统:Mac OS

向ChatGPT输入如下内容:

ChatGPT收到后,返回如下结果:

创建自定义函数进行文件查找和筛选:

python 复制代码
import os
import fnmatch

def find_files(directory, pattern='*', keyword=None, min_size=None, max_size=None):
    matched_files = []
    for root, dirs, files in os.walk(directory):
        for file_name in files:
            if fnmatch.fnmatch(file_name, pattern):
                file_path = os.path.join(root, file_name)
                file_size = os.path.getsize(file_path)
                
                # 根据关键字筛选文件
                if keyword and keyword not in file_name:
                    continue
                
                # 根据文件大小筛选文件
                if min_size and file_size < min_size:
                    continue
                if max_size and file_size > max_size:
                    continue
                
                matched_files.append(file_path)
    
    return matched_files

# 示例用法:查找目录下所有以 .txt 结尾并包含关键字 'example' 的文件
found_files = find_files('path/to/directory', pattern='*.txt', keyword='example')
for file_path in found_files:
    print(file_path)

在上述代码中,find_files函数允许您基于目录路径、文件扩展名、关键字、最小/最大文件大小等条件来定制文件查找和筛选操作。您可以根据实际需求扩展或修改该函数,以满足您对文件查找和筛选的特定需求。

根据自己的需求,对上面的代码进行修改,如下:

python 复制代码
import os
import fnmatch


def find_files(directory, pattern='*', keyword=None, min_size=None, max_size=None):
    matched_files = []
    for root, dirs, files in os.walk(directory):
        for file_name in files:
            if fnmatch.fnmatch(file_name, pattern):
                file_path = os.path.join(root, file_name)
                file_size = os.path.getsize(file_path)

                # 根据关键字筛选文件
                if keyword and keyword not in file_name:
                    continue

                # 根据文件大小筛选文件
                if min_size and file_size < min_size:
                    continue
                if max_size and file_size > max_size:
                    continue

                matched_files.append(file_path)

    return matched_files

# 定义变量,输入自定义的需求
file_path = input('请输入路径:')
file_type = input('请输入文件类型:')
keyword = input('请输入包含的关键字:')
# 示例用法:查找目录下所有以 .txt 结尾并包含关键字 'example' 的文件
found_files = find_files(file_path, pattern=file_type, keyword=keyword)
for file_path in found_files:
    print(file_path)

这个案例说明了,AI编程太高效了。用好AI提高效率,提升自我。

相关推荐
大龄程序员狗哥5 小时前
第47篇:使用Speech-to-Text API快速构建语音应用(操作教程)
人工智能
KKKlucifer5 小时前
数据安全合规自动化:策略落地、审计追溯与风险闭环技术解析
人工智能·安全
RWKV元始智能6 小时前
RWKV超并发项目教程,RWKV-LM训练提速40%
人工智能·rnn·深度学习·自然语言处理·开源
dyj0956 小时前
Dify - (一)、本地部署Dify+聊天助手/Agent
人工智能·docker·容器
墨染天姬6 小时前
【AI】Hermes的GEPA算法
人工智能·算法
小超同学你好6 小时前
OpenClaw 深度解析系列 · 第8篇:Learning & Adaptation(学习与自适应)
人工智能·语言模型·chatgpt
紫微AI6 小时前
前端文本测量成了卡死一切创新的最后瓶颈,pretext实现突破了
前端·人工智能·typescript
码途漫谈6 小时前
Easy-Vibe开发篇阅读笔记(四)——前端开发之结合 Agent Skills 美化界面
人工智能·笔记·ai·开源·ai编程
易连EDI—EasyLink6 小时前
易连EDI–EasyLink实现OCR智能数据采集
网络·人工智能·安全·汽车·ocr·edi
冬奇Lab6 小时前
RAG 系列(二):用 LangChain 搭建你的第一个 RAG Pipeline
人工智能·langchain·llm