通过 hashlib 查找重复文件？

Question

我知道以前有人问过这个问题，并且我已经看到了一些答案，但是这个问题更多的是关于我的代码和完成这项任务的最佳方式。

我想扫描一个目录并查看该目录中是否有任何重复项（通过检查 MD5 哈希）。以下是我的代码：

import sys
import os
import hashlib

fileSliceLimitation = 5000000 #bytes

# if the file is big, slice trick to avoid to load the whole file into RAM
def getFileHashMD5(filename):
     retval = 0;
     filesize = os.path.getsize(filename)

     if filesize > fileSliceLimitation:
        with open(filename, 'rb') as fh:
          m = hashlib.md5()
          while True:
            data = fh.read(8192)
            if not data:
                break
            m.update(data)
          retval = m.hexdigest()

     else:
        retval = hashlib.md5(open(filename, 'rb').read()).hexdigest()

     return retval

searchdirpath = raw_input("Type directory you wish to search: ")
print ""
print ""    
text_file = open('outPut.txt', 'w')

for dirname, dirnames, filenames in os.walk(searchdirpath):
    # print path to all filenames.
    for filename in filenames:
        fullname = os.path.join(dirname, filename)
        h_md5 = getFileHashMD5 (fullname)
        print h_md5 + " " + fullname
        text_file.write("\n" + h_md5 + " " + fullname)   

# close txt file
text_file.close()


print "\n\n\nReading outPut:"
text_file = open('outPut.txt', 'r')

myListOfHashes = text_file.read()

if h_md5 in myListOfHashes:
    print 'Match: ' + " " + fullname

这给了我以下输出：

Please type in directory you wish to search using above syntax: /Users/bubble/Desktop/aF

033808bb457f622b05096c2f7699857v /Users/bubble/Desktop/aF/.DS_Store
409d8c1727960fddb7c8b915a76ebd35 /Users/bubble/Desktop/aF/script copy.py
409d8c1727960fddb7c8b915a76ebd25 /Users/bubble/Desktop/aF/script.py
e9289295caefef66eaf3a4dffc4fe11c /Users/bubble/Desktop/aF/simpsons.mov

Reading outPut:
Match:  /Users/bubble/Desktop/aF/simpsons.mov

我的想法是：

1) 扫描目录 2）将MD5哈希+文件名写入文本文件 3) 以只读方式打开文本文件 4) 再次扫描目录并检查文本文件...

我发现这不是一个好方法，而且它不起作用。 “匹配”只是打印出最后处理的文件。

我怎样才能让这个脚本真正找到重复项？有人可以告诉我完成这项任务的更好/更简单的方法。

非常感谢您的帮助。抱歉，这篇文章很长。

Answer 1

识别重复项的明显工具是哈希表。除非您正在处理 非常大 数量的文件，否则您可以执行以下操作：

from collections import defaultdict

file_dict = defaultdict(list)
for filename in files:
    file_dict[get_file_hash(filename)].append(filename)

在此过程结束时，file_dict 将包含每个唯一哈希的列表；当两个文件具有相同的散列时，它们都将出现在该散列的列表中。然后过滤 dict 以查找大于 1 的值列表，并比较文件以确保它们相同 - 如下所示：

for duplicates in file_dict.values():   # file_dict.itervalues() in Python 2
    if len(duplicates) > 1:
        # double-check reported duplicates and generate output

或者这个：

duplicates = [files for files in file_dict.values() if len(files) > 1]

get_file_hash 可以使用 MD5s；或者它可以像 Ramchandra Apte 在上面的 cmets 中建议的那样简单地获取文件的第一个和最后一个字节；或者它可以简单地使用上面 cmets 中建议的文件大小。不过，后两种策略中的每一种都更有可能产生误报。您可以将它们结合起来以降低误报率。

如果您正在处理非常大量文件，则可以使用更复杂的数据结构，例如Bloom Filter。

Answer 2

@senderle 有一个很好的答案，但由于他提到我的解决方案会产生误报，我认为挑战已经奠定，我最好展示一些代码。我精简了您的 md5 函数（它应该始终使用 'fileSliceLimitation' 案例，并且应该对其输入缓冲区不那么吝啬），然后在执行 md5s 之前按大小进行预过滤。

import sys
import os
import hashlib
from collections import defaultdict

searchdirpath = sys.argv[1]

size_map = defaultdict(list)

def getFileHashMD5(filename):
    m = hashlib.md5()
    with open(filename, 'rb', 1024*1024) as fh:
          while True:
            data = fh.read(1024*1024)
            if not data:
                break
            m.update(data)
    return m.hexdigest()

# group files by size
for dirname, dirnames, filenames in os.walk(searchdirpath):
    for filename in filenames:
        fullname = os.path.join(dirname, filename)
        size_map[os.stat(fullname).st_size].append(fullname)

# scan files of same size
for fullnames in size_map.itervalues():
    if len(fullnames) > 0:
        hash_map = defaultdict(list)
        for fullname in fullnames:
            hash_map[getFileHashMD5(fullname)].append(fullname)
        for fullnames in hash_map.itervalues():
            if len(fullnames) > 1:
                print "duplicates:"
                for fullname in fullnames:
                    print "   ", fullname

（编辑）

关于这个实现有几个问题，我将在这里尝试回答：

1) 为什么 (1024*1024) 大小不是 '5000000'

您的原始代码以 8192 (8 KiB) 为增量读取，这对于现代系统来说非常小。通过一次抓取更多内容，您可能会获得更好的性能。 1024*1024 是 1048576 (1 MiB) 字节，只是对合理数字的猜测。至于为什么我写得这么奇怪，1000（十进制千字节）被人们喜爱，而1024（二进制千字节）却被计算机和文件系统喜爱。我有写 some_number*1024 的习惯，所以很容易看出我指的是 1 KiB 增量。 5000000 也是一个合理的数字，但您应该考虑 5*1024*1024（即 5 MiB），以便获得与文件系统完美对齐的东西。

2) 这个位究竟做了什么：size_map = defaultdict(list)

它创建了一个“defaultdict”，它为常规的 dict 对象添加了功能。当一个普通的字典被一个不存在的键索引时，它会引发一个 KeyError 异常。 defaultdict 创建一个默认值并将该键/值对添加到 dict 中。在我们的例子中，size_map[some_size] 说“给我一些大小的文件列表，如果没有，请创建一个新的空列表”。

size_map[os.stat(fullname).st_size].append(fullname)。这分解为：

stat = os.stat(fullname)
size = stat.st_size
filelist = size_map[size]    # this is the same as:
                             #    if size not in size_map:
                             #        size_map[size] = list()
                             #    filelist = size_map[size]
filelist.append(fullname)

3) sys.argv[1] 我猜 sys.argv[1] 只是让 python py.py 'filepath' 参数起作用（其中 filepath 是 argv[1] ？

是的，当您调用 python 脚本时，sys.argv[0] 是脚本的名称，而 sys.argv[1:]（arg 1 及以下）是命令行中给出的任何附加参数。我在编写脚本时使用 sys.argv[1] 作为一种快速测试脚本的方法，您应该更改它以满足您的需要。

Answer 3

您要做的第一件事是在循环浏览文件时将 h_md5 保存到一个列表中。 比如：

h_md5=[]

在您遍历您的目录之前。和

h_md5.append(getFileHashMD5(fullname))

在你的循环中。现在您有了一个哈希列表来与您的输出文件进行比较，而不仅仅是您在循环中创建的最后一个。

另外，显然，使用您当前的代码，您每次都会为每个文件找到一个匹配项，因为您会在列表中找到该特定文件本身的哈希值。因此，如果要查找重复项，则必须查找找到两个不同匹配项的实例。

编辑：如果您愿意更改代码，@senderle 上面的答案是一种更好的方法。