快捷導(dǎo)航

刪除目錄下相同文件的python代碼(逐級優(yōu)化)

更新時間：2012年05月25日 23:14:02 作者：

讓我們來分析一下這個問題：首先，文件個數(shù)非常多，手工查找是不現(xiàn)實(shí)的，再說，單憑我們?nèi)庋?，在幾千張圖片里面找到完全相同的難度也是很大的

這兩天閑來無事在百度上淘了點(diǎn)圖片，不多，也就幾萬張吧，其中有不少美女圖片奧！哈哈！這里暫且不說圖片是怎么獲得的，咱聊聊得到圖片以后發(fā)生的事。
遇到的第一個問題就是有些圖片沒有后綴名。在windows下，沒有后綴名的文件是不能正確被識別的，沒有預(yù)覽，打開時還要選擇打開方式，費(fèi)勁！這個問題比較容易解決，給每個圖片加上后綴名就是了。沒有后綴名的圖片也不多，不到1000張吧，一張一張地改很麻煩，還好我是學(xué)計算機(jī)的，上午寫了個程序批量修改http://www.dbjr.com.cn/article/30400.htm。這個問題就算解決了。接下來又遇到了一個新問題：圖片多了，難免出現(xiàn)重復(fù)的，有些圖片完全一樣，沒有必要都留著，我就想把所有的重復(fù)圖片都刪除。

讓我們來分析一下這個問題：首先，文件個數(shù)非常多，手工查找是不現(xiàn)實(shí)的，再說，單憑我們?nèi)庋郏趲浊垐D片里面找到完全相同的難度也是很大的。如果不是圖片而是其他文檔，在不能預(yù)覽的情況下要正確區(qū)分是很困難的。所以要用程序?qū)崿F(xiàn)。那么用程序怎么實(shí)現(xiàn)呢？根據(jù)什么判斷兩個文件完全相同呢？首先，根據(jù)文件名判斷是靠不住的，因為文件名可以被隨意更改，但文件內(nèi)容不變。再說在同一個文件夾下面，也不可能出現(xiàn)兩個完全相同的文件名，操作系統(tǒng)不允許的。還有一種方法就是根據(jù)文件大小來判斷，這不失為一種好辦法，但是，文件大小相同的圖片可能不一樣。再說圖片一般都比較小，超過3M的基本沒有，大部分不夠1M，如果文件夾下面文件特別多，出現(xiàn)大小相同的的文件可能性是相當(dāng)大的。所以單憑文件大小來比較不靠譜。還有一種方法是讀取每張圖片的內(nèi)容，然后比較這個圖片的內(nèi)容和其他圖片是否完全相同，如果內(nèi)容相同那么這兩張圖片肯定是完全相同的。這種方法看起來是比較完美的，讓我們來分析一下他的時空效率：首先每張圖片的內(nèi)容都要和其他圖片進(jìn)行比較，這就是一個二重循環(huán)，讀取的效率低，比較的效率更低，所有的都比較下來是非常費(fèi)時的！內(nèi)存方面，如果預(yù)先把所有圖片讀取到內(nèi)存可以加快文件的比較效率，但是普通計算機(jī)的內(nèi)存資源有限，如果圖片非常多，好幾個G的話，都讀到內(nèi)存是不現(xiàn)實(shí)的。如果不把所有的文件讀取到內(nèi)存，那么每比較一次之前就要先讀取文件內(nèi)容，比較幾次就要讀取幾次，從硬盤讀取數(shù)據(jù)是比較慢的，這樣做顯然不合適。那么有沒有更好的方法呢？我冥思苦想，絞盡腦汁，最后想到了md5。md5是什么？你不知道嗎？額，你火星了，抓緊時間duckduckgo吧！也許你會問，md5不是加密的嗎？和我們的問題有關(guān)系嗎？問得好！md5可以把任意長度的字符串進(jìn)行加密后形成一個32的字符序列，包括數(shù)字和字母（大寫或小寫），因為字符串任何微小的變動都會導(dǎo)致md5序列改變，因此md5可以看作一個字符串的‘指紋'或者‘信息摘要'，因為md5字符串總共有3632個，所以兩個不同的字符串得到一個相同的md5概率是很小的，幾乎為0，同樣的道理，我們可以得到每個文件的md5，若干文件的md5相同的話就基本上可以肯定兩個文件是相同的，因為md5相同而文件不同的概率太小了，基本可以忽略，這樣我們就可以這樣做：得到每個文件的md5，通過比較md5是否相同我們就可以確定兩張圖片是否相同。下面是代碼實(shí)現(xiàn)，python的

復(fù)制代碼代碼如下:

 
# -*- coding: cp936 -*- 
import md5 
import os 
from time import clock as now 
def getmd5(filename): 
file_txt = open(filename,'rb').read() 
m = md5.new(file_txt) 
return m.hexdigest() 
def main(): 
path = raw_input("path: ") 
all_md5=[] 
total_file=0 
total_delete=0 
start=now() 
for file in os.listdir(path): 
total_file += 1; 
real_path=os.path.join(path,file) 
if os.path.isfile(real_path) == True: 
filemd5=getmd5(real_path) 
if filemd5 in all_md5: 
total_delete += 1 
print '刪除',file 
else: 
all_md5.append(filemd5) 
end = now() 
time_last = end - start 
print '文件總數(shù)：',total_file 
print '刪除個數(shù)：',total_delete 
print '耗時：',time_last,'秒' 
if __name__=='__main__': 
main() 

上面的程序原理很簡單，就是依次讀取每個文件，計算md5，如果md5在md5列表不存在，就把這個md5加到md5列表里面去，如果存在的話，我們就認(rèn)為這個md5對應(yīng)的文件已經(jīng)出現(xiàn)過，這個圖片就是多余的，然后我們就可以把這個圖片刪除了。下面是程序的運(yùn)行截圖：

我們可以看到，在這個文件夾下面有8674個文件，有31個是重復(fù)的，找到所有重復(fù)文件共耗時155.5秒。效率不算高，能不能進(jìn)行優(yōu)化呢？我分析了一下，我的程序里面有兩個功能比較耗時間，一個是計算每個文件的md5，這個占了大部分時間，還有就是在列表中查找md5是否存在，也比較費(fèi)時間的。從這兩方面入手，我們可以進(jìn)一步優(yōu)化。

首先我想的是解決查找問題，或許我們可以對列表中的元素先排一下序，然后再去查找，但是列表是變化的，每次都排序的話效率就比較低了。我想的是利用字典進(jìn)行優(yōu)化。字典最顯著的特點(diǎn)是一個key對應(yīng)一個值我們可以把md5作為key，key對應(yīng)的值就不需要了，在變化的情況下字典的查找效率比序列效率高，因為序列是無序的，而字典是有序的，查找起來當(dāng)然更快。這樣我們只要判斷md5值是否在所有的key中就可以了。下面是改進(jìn)后的代碼：

復(fù)制代碼代碼如下:

 
# -*- coding: cp936 -*- 
import md5 
import os 
from time import clock as now 
def getmd5(filename): 
file_txt = open(filename,'rb').read() 
m = md5.new(file_txt) 
return m.hexdigest() 
def main(): 
path = raw_input("path: ") 
all_md5={} 
total_file=0 
total_delete=0 
start=now() 
for file in os.listdir(path): 
total_file += 1; 
real_path=os.path.join(path,file) 
if os.path.isfile(real_path) == True: 
filemd5=getmd5(real_path) 
if filemd5 in all_md5.keys(): 
total_delete += 1 
print '刪除',file 
else: 
all_md5[filemd5]='' 
end = now() 
time_last = end - start 
print '文件總數(shù)：',total_file 
print '刪除個數(shù)：',total_delete 
print '耗時：',time_last,'秒' 

if __name__=='__main__': 
main() 

從時間上看，確實(shí)比原來快了一點(diǎn)，但是還不理想。下面還要進(jìn)行優(yōu)化。還有什么可以優(yōu)化呢？md5！上面的程序，每個文件都要計算md5，非常費(fèi)時間，是不是每個文件都需要計算md5呢？能不能想辦法減少md5的計算次數(shù)呢？我想到了一種方法：上面分析時我們提到，可以通過比較文件大小的方式來判斷圖片是否完全相同，速度快，但是這種方法是不準(zhǔn)確的，md5是準(zhǔn)確的，我們能不能把兩者結(jié)合一下？答案是肯定的。我們可以認(rèn)定：如果兩個文件完全相同，那么這兩個文件的大小和md5一定相同，如果兩個文件的大小不同，那么這兩個文件肯定不同！這樣的話，我們只需要先查看文件的大小是否存在在size字典中，如果不存在，就將它加入到size字典中，如果大小存在的話，這說明有至少兩張圖片大小相同，那么我們只要計算文件大小相同的文件的md5，如果md5相同，那么這兩個文件肯定完全一樣，我們可以刪除，如果md5不同，我們把它加到列表里面，避免重復(fù)計算md5.具體代碼實(shí)現(xiàn)如下：

復(fù)制代碼代碼如下:

 
# -*- coding: cp936 -*- 
import md5 
import os 
from time import clock as now 
def getmd5(filename): 
file_txt = open(filename,'rb').read() 
m = md5.new(file_txt) 
return m.hexdigest() 
def main(): 
path = raw_input("path: ") 
all_md5 = {} 
all_size = {} 
total_file=0 
total_delete=0 
start=now() 
for file in os.listdir(path): 
total_file += 1 
real_path=os.path.join(path,file) 
if os.path.isfile(real_path) == True: 
size = os.stat(real_path).st_size 
name_and_md5=[real_path,''] 
if size in all_size.keys(): 
new_md5 = getmd5(real_path) 
if all_size[size][1]=='': 
all_size[size][1]=getmd5(all_size[size][0]) 
if new_md5 in all_size[size]: 
print '刪除',file 
total_delete += 1 
else: 
all_size[size].append(new_md5) 
else: 
all_size[size]=name_and_md5 
end = now() 
time_last = end - start 
print '文件總數(shù)：',total_file 
print '刪除個數(shù)：',total_delete 
print '耗時：',time_last,'秒' 

if __name__=='__main__': 
main() 