通过hashlib查找重复文件？

Question

我知道以前已经问过这个问题，并且已经看到了一些答案，但是这个问题更多地是关于我的代码和完成此任务的最佳方法。

我想扫描一个目录，并查看该目录中是否存在任何重复项（通过检查MD5哈希值）。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…

我看到这不是一个好方法，而且行不通。“匹配”仅打印出最后处理的文件。

如何获得此脚本以实际查找重复项？有人可以告诉我一种更好/更轻松的方法来完成此任务。

非常感谢您的帮助。抱歉，这是一个很长的帖子。

Answer 1

识别重复项的显而易见的工具是哈希表。除非您使用 大量 文件，否则可以执行以下操作：

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哈希时，它们都将出现在该哈希的列表中。然后过滤字典以查找长度超过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

或这个：

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

get_file_hash可以使用MD5；或者它可以像Ramchandra
Apte在上面的注释中建议的那样简单地获取文件的开头和结尾字节；或者它可以像上面评论中建议的那样简单地使用文件大小。不过，后两种策略中的每一种都更有可能产生误报。您可以将它们组合以减少误报率。

如果你有一个工作 非常
大量的文件，你可以使用一个更复杂的数据结构像一个布隆过滤器。