Python高效率遍歷文件夾尋找重復文件

前言

為什么要寫這篇文章呢。。。主要還是業務中有個需求，遍歷一個將近200w數據的文件夾，大部分還都是視頻文件那種，但是這玩意用的次數還不多，做文件夾index也不是很ok，所以寫了一個腳本來處理這個問題，從而發現了自己的一些薄弱點，將其記錄下來，方便自己，也方便未來其他的兄弟使用

基本需求

1. 把文件夾中的重復文件找出來
2. 找出來之后用csv輸出，左邊是源文件，右邊是重復文件
3. 效率不能差，不能直接撐爆內存，不能占用過多資源
4. 檢測的文件夾和存放csv的地方可以自己定義，加上終端交互
5. 重復文件篩選支持md5，大小等方式

需求分析

首先要分析一點，就是我們該如何去做重復文件的對比，並且效率還要高，首先網上過多的遞歸，os.walk的方法不可用，因為他們都會把遍歷到的內容直接做成一個大列表，塞到內存里面，數據量大很容易爆掉，並且還要進行MD5，或者是大小比對，這個就非常難纏了。

基礎想法

其實說白了，拿到所有文件列表file_list，把文件依次對比，這里我們可以用dict，分兩種情況

按照文件名和大小

設定兩個dict，例如record和dup，遍歷file_list,生成一個數組，比對其中的文件名和大小

按照大小和MD5值

設定兩個dict，例如record和dup，遍歷file_list,生成一個數組，比對其中的md5值和大小

具體代碼

閑話休提，我們開始寫代碼吧

定義遍歷函數代碼

首先定義遍歷文件夾的部分diskwalk.py

# coding: utf-8

__author__ = "lau.wenbo"


import os,sys


class diskwalk(object):
    def __init__(self, path):
        self.path = path
    def paths(self):
        path = self.path
        # 這里用了一個迭代器邏輯，防止所有數據塞內存爆掉
        path_collection = (os.path.join(root,fn) for root,dirs,files in os.walk(path) for fn in files)
        return path_collection

定義檢查md5值代碼

接着我們定義檢查md5值的一個邏輯checksum.py

# coding: utf-8

__author__ = "lau.wenbo"


import hashlib,sys

# 分塊讀MD，速度快

def create_checksum(path):
    fp = open(path)
    checksum = hashlib.md5()
    while True:
        buffer = fp.read(8192)
        if not buffer: break
        checksum.update(buffer)
    fp.close()
    checksum = checksum.digest()
    return checksum

定義主函數代碼

# coding: utf-8

__author__ = "lau.wenbo"


from checksum import create_checksum
from diskwalk import diskwalk
from os.path import getsize
import csv
import os
import sys
reload(sys)
sys.setdefaultencoding('utf8')


def findDupes(path):
    record = {}
    dup = {}
    d = diskwalk(path)
    files = d.paths()
    for file in files:
        try:
            # 這里使用了大小，文件名的對比方式，如果你需要MD5值的對比方式，可以打開下面的注釋
            #compound_key = (getsize(file),create_checksum(file))
            compound_key = (getsize(file), file.split("/")[-1])
            if compound_key in record:
                dup[file] = record[compound_key]
            else:
                record[compound_key]=file
        except:
            continue
    return dup


if __name__ == '__main__':
    path = sys.argv[1]
    csv_path = sys.argv[2]
    if not os.path.isdir(path) or not os.path.isdir(csv_path) or csv_path[-1] != "/":
        print u"參數不是一個有效的文件夾！"
        exit()
    else:
        path = path.decode("utf-8")
        print u"待檢測的文件夾為{path}".format(path=path)
        with open(u"{csv_path}重復文件.csv".format(csv_path=csv_path),"w+") as csvfile:
            # 源文件 重復文件
            header = ["Source", "Duplicate"]
            writer = csv.DictWriter(csvfile, fieldnames=header)
            writer.writeheader()
            print u"開始遍歷文件夾，尋找重復文件，請等待........."
            print u"開始寫入CSV文件，請等待........"
            for file in findDupes(path).items():
                writer.writerow({"Source":file[1],"Duplicate":file[0]})

結語

實現了哪些功能呢，哈哈，結尾來說一下，其實核心就是我用了一個列表生成器，加了一個迭代器，迭代器可是好東西，不會撐內存，不錯了，效率也還可以，200w數據判定也就20多分鍾，支持大數據量，如果有什么不懂的，可以郵件聯系我或者等待我的評論系統搞完，over
github地址在這: https://github.com/Alexanderklau/Amusing_python/tree/master/File_operation/repeat