kaldi download_and_untar.sh阅读

标题这个脚本解析

• 第一部分：使用方法介绍

  1 #!/bin/bash
  2
  3 # Copyright   2014  Johns Hopkins University (author: Daniel Povey)
  4 # Copyright   2016  Tsinghua University (author: Dong Wang)
  5 # Apache 2.0
  6
  7 # Adapted from librispeech recipe local/download_and_untar.sh
  8
  9 remove_archive=false
 10
 11 if [ "$1" == --remove-archive ]; then
 12   remove_archive=true
 13   shift
 14 fi
 15
 16 if [ $# -ne 3 ]; then
 17   echo "Usage: $0 [--remove-archive]   "
 18   echo "e.g.: $0 /nfs/public/materials/data/thchs30-openslr www.openslr.org/resources/18 data_thchs30"
 19   echo "With --remove-archive it will remove the archive after successfully un-tarring it."
 20   echo " can be one of: data_thchs30, test-noise, resource"
 21 fi

remove_archive用来控制是否删除压缩文件，默认不删除，如果传递–remove-archive， 解压完成之后会把下载压缩包删除，这个参数在脚本最后3行用到。16行脚本用来判断除–remove-archive参数外传递进来的参数个数是否是3，如果不是，则打印使用介绍。这里打印完没有退出当前shell, 其实应该在后面添加一个exit 1,退出当前执行， 因为

第二部分：参数赋值

 23 data=$1
 24 url=$2
 25 part=$3
 26
 27 if [ ! -d "$data" ]; then
 28   echo "$0: no such directory $data"
 29   exit 1;
 30 fi

数据目录是第一个参数，下载文件第二个参数，文件名是第三个参数
数据目录和url参数值最后一个位置都不能添加/， 比如/data不能写成/data/, 应为后面脚本会把url和part拼成完整的链接url/part.tgz

第四部分：检测目录是否存在，不存在退出。所以数据目录需要事先创建好

 27 if [ ! -d "$data" ]; then
 28   echo "$0: no such directory $data"
 29   exit 1;
 30 fi

第五部分：判断传进来下载的文件名称是否正确

 32 part_ok=false
 33 #list="data_thchs30 test-noise resource"
 34 list="cn-celeb"
 35 for x in $list; do
 36   if [ "$part" == $x ]; then part_ok=true; fi
 37 done
 38 if ! $part_ok; then
 39   echo "$0: expected  to be one of $list, but got '$part'"
 40   exit 1;
 41 fi

list是需要下载文件名集合， part是文件名，35-37行用于检测传进来参数是否在下载集合里，38行判断检测结果，不在下载集合里退出

第六部分：判断url是否存在

 43 if [ -z "$url" ]; then
 44   echo "$0: empty URL base."
 45   exit 1;
 46 fi

第七部分：判断要下载的文件是否存在

 48 if [ -f $data/$part/.complete ]; then
 49   echo "$0: data part $part was already successfully extracted, nothing to do."
 50   exit 0;
 51 fi

首次文件下载解压完成后会创建一个.complete空文件，如果有这个文件，正常退出不用重复下载数据。

第八部分：如果要下载文件存在，判断是否是完整文件

 54 sizes="6453425169 1971460210 24813708"
 55
 56 if [ -f $data/$part.tgz ]; then
 57   size=$(/bin/ls -l $data/$part.tgz | awk '{print $5}')
 58   size_ok=false
 59   for s in $sizes; do if [ $s == $size ]; then size_ok=true; fi; done
 60   if ! $size_ok; then
 61     echo "$0: removing existing file $data/$part.tgz because its size in bytes $size"
 62     echo "does not equal the size of one of the archives."
 63     rm $data/$part.tgz
 64   else
 65     echo "$data/$part.tgz exists and appears to be complete."
 66   fi
 67 fi

54行是事先设置的文件大小，57行就是获取当前文件大小，等同下面这行代码

(base) root@ai-PowerEdge-R740:/opt/asr/kaldi/egs/lesson/v1# ls -l /data/cn-celeb1/cn-celeb.tgz
-rw-r--r-- 1 root root 31844634248 11月  7  2019 /data/cn-celeb1/cn-celeb.tgz
(base) root@ai-PowerEdge-R740:/opt/asr/kaldi/egs/lesson/v1# ls -l /data/cn-celeb1/cn-celeb.tgz | awk '{print $5}'
31844634248

59行用户判断文件是否完整，60行删除不完整文件，65行如果完整，打印文件已经存在，如果文件已经存在，后面的代码都别执行，当前脚本正常退出，原脚本没有加exit 0,可以根据实际需要添加退出脚本。

第九部分：如果数据不存在，则下载数据

 69 if [ ! -f $data/$part.tgz ]; then
 70   if ! which wget >/dev/null; then
 71     echo "$0: wget is not installed."
 72     exit 1;
 73   fi
 74   full_url=$url/$part.tgz
 75   echo "$0: downloading data from $full_url.  This may take some time, please be patient."
 76
 77   cd $data
 78   pwd
 79   echo " wget --no-check-certificate $full_url"
 80   if ! wget --no-check-certificate $full_url; then
 81     echo "$0: error executing wget $full_url"
 82     exit 1;
 83   fi
 84 fi

74行拼接完整下载链接，所以url传进来时候最后不要带/, 文件名也不要带tgz, 否则这里拼接会有问题。
80行下载数据集， 第八部分65行并没有加退出shell exit 0, 但是这部分通过69行判断文件是否存在才下载，如果存在，不会执行下载。所以那里不退出也可以。

第十部分：解压文件

 86 cd $data
 87
 88 if ! tar -xvzf $part.tgz; then
 89   echo "$0: error un-tarring archive $data/$part.tgz"
 90   exit 1;
 91 fi
 92
 93 touch $data/$part/.complete

88行解压，93行创建空文件，主要用来和第7部分对应。后续如果一但看到这个文件，证明是完整文件夹，不用做上述重复性操作了。感觉这个设计太棒了-_-

第十一部分：删除压缩文件

 97 if $remove_archive; then
 98   echo "$0: removing $data/$part.tgz file since --remove-archive option was supplied."
 99   rm $data/$part.tgz
100 fi

remove_archive是删除标志，这个是通过第一部分运行这个脚本时候传进来的参数–remove-archive控制的，如果不传这个参数，最后不会删除压缩包，如果传了，会在这段脚本删除下载的压缩文件。

总结：实际情况中如果修改download_and_untar.sh为自己所用呢，其实只需要改动list, 将原来文件名替换成自己要下载的文件名即可。使用直接按照下面格式使用。

ownload_and_untar.sh [--remove-archive] <data-base> <url-base> <corpus-part>