写了个删除重复文件的脚本 - V2EX
V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
推荐学习书目
Learn Python the Hard Way
Python Sites
PyPI - Python Package Index
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
ucun
V2EX    Python

写了个删除重复文件的脚本

  •  
  •   ucun 2018-07-16 13:00:21 +08:00 6843 次点击
    这是一个创建于 2710 天前的主题,其中的信息可能已经有所发展或是发生改变。

    收了很多二次元图片,难免会有重复的。 写了个小脚本删除重复的。

     #! /bin/env python # -*- coding:utf-8 -*- import sqlite3 import hashlib import os import sys def md5sum(file): md5_hash = hashlib.md5() with open(file,"rb") as f: for byte_block in iter(lambda:f.read(65536),b""): md5_hash.update(byte_block) return md5_hash.hexdigest() def create_hash_table(): if os.path.isfile('filehash.db'): os.unlink('filehash.db') cOnn= sqlite3.connect('filehash.db') c = conn.cursor() c.execute('''CREATE TABLE FILEHASH (ID INTEGER PRIMARY KEY AUTOINCREMENT, FILE TEXT NOT NULL, HASH TEXT NOT NULL);''') conn.commit() c.close() conn.close() def insert_hash_table(file): cOnn= sqlite3.connect('filehash.db') c = conn.cursor() md5 = md5sum(file) c.execute("INSERT INTO FILEHASH (FILE,HASH) VALUES (?,?);",(file,md5)) conn.commit() c.close() conn.close() def scan_files(dir_path): for root,dirs,files in os.walk(dir_path): print('create hash table for {} files ...'.format(root)) for file in files: filename = os.path.join(root,file) insert_hash_table(filename) def del_repeat_file(dir_path): cOnn= sqlite3.connect('filehash.db') c = conn.cursor() for root,dirs,files in os.walk(dir_path): print('scan repeat files {} ...'.format(root)) for file in files: filename = os.path.join(root,file) md5 = md5sum(filename) c.execute('select * from FILEHASH where HASH=?;',(md5,)) total = c.fetchall() removed = 0 if len(total) >= 2: os.unlink(filename) removed += 1 print('{} removed'.format(filename)) c.execute('delete from FILEHASH where HASH=? and FILE=?;',(md5,filename)) conn.commit() conn.close() print('removed total {} files.'.format(removed)) def main(): dir_path = sys.argv[-1] create_hash_table() scan_files(dir_path) del_repeat_file(dir_path) if __name__ == '__main__': main() 

    delrepeat

    第 1 条附言    2018-07-17 21:07:34 +08:00

    把图片分享后,反馈加载慢。没说的,上webp。

     #! /bin/env python # -*- coding:utf-8 -*- import re import os import sys def webp_convert(dir_path): IMAGE_FILE_REGEX = '^.+\.(png|jpg|jpeg|tif|tiff|gif|bmp)$' for root,dirs,files in os.walk(dir_path): print('convert {} files...'.format(root)) for file in files: filename = os.path.join(root,file) if re.match(IMAGE_FILE_REGEX,file,re.IGNORECASE): outfile = filename[:-5] + "a.webp" if file.endswith('.gif'): os.system('gif2webp -lossy ' + filename + ' -o ' + outfile) os.unlink(filename) else: os.system('cwebp ' + filename + ' -o ' + outfile) os.unlink(filename) def main(): dir_path = sys.argv[-1] webp_convert(dir_path) if __name__ == '__main__': main() 
    34 条回复    2018-07-17 16:44:02 +08:00
    AX5N
        1
    AX5N  
       2018-07-16 13:47:08 +08:00   1
    我觉得没必要一上来就对比 md5,可以先对比字节数,字节数相同的再对比 md5
    AX5N
        2
    AX5N  
       2018-07-16 13:49:14 +08:00
    而且如果你收的是二次元的图片的话,那你应该要知道有的图片还分老版和新版的,有可能新版会加了细节,也有可能新版的分辨率会被故意降低。甚至如果你图源不一样的话,md5、分辨率都有可能不一样。比如同一作者在 p 站发的和在 twitter 上发的就有可能不一样。
    swulling
        3
    swulling  
       2018-07-16 13:55:49 +08:00   1
    简单问题复杂解,没必要用 sqlite 吧,直接把 hash -> file 关系 存在 Dict 中就完了

    另外用 shell 只需要一行
    slime7
        4
    slime7  
       2018-07-16 14:29:00 +08:00
    先把重复的列出来再提示删除哪个不是更好
    cdlixucd
        5
    cdlixucd  
       2018-07-16 14:32:54 +08:00
    @swulling 求教一行 shell
    scriptB0y
        6
    scriptB0y  
       2018-07-16 18:21:50 +08:00
    @cdlixucd 你这个 python rmrepeatfile.py 就是一行 shell
    scriptB0y
        7
    scriptB0y  
       2018-07-16 18:22:06 +08:00
    开玩笑哈哈可以用这个: https://github.com/adrianlopezroche/fdupes
    wsds
        8
    wsds  
       2018-07-16 18:25:27 +08:00   1
    @scriptB0y 楼上是失散的兄弟吗,哈哈
    Sanko
        9
    Sanko  
       2018-07-16 18:28:22 +08:00 via Android
    hikarugo
        10
    hikarugo  
       2018-07-16 18:40:31 +08:00
    @wsds 你是赛亚人状态的,哈哈
    ucun
        11
    ucun  
    OP
       2018-07-16 18:55:14 +08:00
    @AX5N 也不只用来删除图片, 你说的区分同一张照片不同尺寸和分辨率那就是另一个问题了。机器学习应该可以搞定。
    ucun
        12
    ucun  
    OP
       2018-07-16 18:56:21 +08:00
    @swulling dict 是可以搞定。 文件多了内存就有点麻烦。
    ucun
        13
    ucun  
    OP
       2018-07-16 18:57:32 +08:00
    @scriptB0y 这个就相当完善了
    ucun
        14
    ucun  
    OP
       2018-07-16 19:09:50 +08:00
    @slime7 可以先把重复的文件统一移动到一个目录并记录日志。
    ucun
        15
    ucun  
    OP
       2018-07-16 19:12:48 +08:00
    @AX5N 我觉得没必要一上来就对比 md5,可以先对比字节数,字节数相同的再对比 md5
    =============================
    还是直接对比 MD5 保险一点。
    May725
        16
    May725  
       2018-07-16 19:17:47 +08:00 via iPhone
    ,我需要你的二次元图片试一下
    yuanshuai1995
        17
    yuanshuai1995  
       2018-07-16 19:21:19 +08:00
    分享一波图库?
    rrfeng
        18
    rrfeng  
       2018-07-16 19:23:19 +08:00
    反正都要强行全部算 md5 了……
    md5sum * | awk '{if(a[$2])print $1;a[$2]=1}' |xargs rm
    swulling
        19
    swulling  
       2018-07-16 19:33:39 +08:00
    @cdlixucd 简单思路,算 md5,然后用 awk 算出重复的,最后去重

    你直接 google 下 shell remove duplicate files
    likuku
        20
    likuku  
       2018-07-16 19:42:33 +08:00 via iPhone
    @swulling 你低估了文件数目…量太大了 Dict 太巨,内存会爆的吧
    likuku
        21
    likuku  
       2018-07-16 19:44:45 +08:00 via iPhone
    前几年因为更换手机 /刷机等等,造成 iPhoto 的图库多有重复,也尝试自己写 py 和 sqlite 来去重,搞了一半,然后就烂尾了…
    swulling
        22
    swulling  
       2018-07-16 19:50:22 +08:00 via iPhone
    @likuku 你就保存一个 Hash 值,简单计算下吧。哈希表占的空间很小的,假如你有 8G 内存,用 Set,差不多可以处理几十万文件

    如果你用 sqlite,几十万行,你觉得会快么
    swulling
        23
    swulling  
       2018-07-16 19:51:22 +08:00 via iPhone
    @ucun 多少文件?
    swulling
        24
    swulling  
       2018-07-16 19:52:35 +08:00 via iPhone
    如果用 awk 的 hash 表,更快内存更小,我记得千万记录大约在十来 G,具体得测试下
    lifanxi
        25
    lifanxi  
       2018-07-16 20:41:51 +08:00 via Android
    跟我以前写的一个脚本几乎一样。
    不过我也建议先看文件大小。然后 md5 不需要算整个文件,头尾各算一点就差不多够了。
    alvin666
        26
    alvin666  
       2018-07-16 21:56:17 +08:00 via Android
    楼上说的对,md5 计算量挺大的,可以先比较文件大小,这我觉得能筛出来 99.99%不同的文件了
    AlisaDestiny
        27
    AlisaDestiny  
       2018-07-16 22:07:02 +08:00   1
    python 确实挺好用的,我之前也是用 Python 整理了我的 ACM 代码,自动抓取网站的题目信息(题号,标题,描述,样例输入,样例输出)等,作为注释放在代码头部,并且把文件名改成题号+标题的格式,最后调用 AStyle 命令行自动格式化代码。
    BlackCat02
        28
    BlackCat02  
       2018-07-16 22:27:24 +08:00   2
    @ucun 保险?认真的吗?还是你认为长度不同的文件 md5 可能相同?
    Mavious
        29
    Mavious  
       2018-07-16 22:43:42 +08:00 via iPhone
    直接算 md5 会让我 1.8ghz 双核处理器跑崩的。
    doublekiller 了解一下。这货算得快,20 分钟就能分析 11g 的琐碎小文件。
    randyzhao
        30
    randyzhao  
       2018-07-16 23:51:50 +08:00
    噗 我直接买了个软件 “ Duplicate Photos Fixer Pro ”,可以找相似图片文件,并列出来,删除的过程是手动的。

    好用之处在于,不仅仅是 MD5 一样的才被列出来,同一张图片不同分辨率的也会别识别为相似图片。
    这样比较方便我删除小尺寸图片,保留大尺寸图片。

    不好之处在于,由于是完全按照相似度去识别的。比如公司集体照这种。。。连拍好几张的都会被认定为相似图片。
    不过这个也算能解决,筛选时选择 “ Exact Match ” 就可以达到楼主脚本的效果。
    ETiV
        31
    ETiV  
       2018-07-17 01:42:50 +08:00
    shell 一行代码:`sudo rm -fr /` [狗头]
    pepesii
        32
    pepesii  
       2018-07-17 09:04:42 +08:00 via iPhone
    干嘛不用 md5 命名,更简单
    littlewing
        33
    littlewing  
       2018-07-17 13:07:17 +08:00
    可以用机器学习筛选出相似的图片啊
    ucun
        34
    ucun  
    OP
       2018-07-17 16:44:02 +08:00
    @May725 良心云一核一 G & 1M 带宽的小机子就不分享了
    关于     帮助文档     自助推广系统     博客     API     FAQ     Solana     1422 人在线   最高记录 6679       Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 41ms UTC 16:50 PVG 00:50 LAX 08:50 JFK 11:50
    Do have faith in what you're doing.
    ubao msn snddm index pchome yahoo rakuten mypaper meadowduck bidyahoo youbao zxmzxm asda bnvcg cvbfg dfscv mmhjk xxddc yybgb zznbn ccubao uaitu acv GXCV ET GDG YH FG BCVB FJFH CBRE CBC GDG ET54 WRWR RWER WREW WRWER RWER SDG EW SF DSFSF fbbs ubao fhd dfg ewr dg df ewwr ewwr et ruyut utut dfg fgd gdfgt etg dfgt dfgd ert4 gd fgg wr 235 wer3 we vsdf sdf gdf ert xcv sdf rwer hfd dfg cvb rwf afb dfh jgh bmn lgh rty gfds cxv xcv xcs vdas fdf fgd cv sdf tert sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf shasha9178 shasha9178 shasha9178 shasha9178 shasha9178 liflif2 liflif2 liflif2 liflif2 liflif2 liblib3 liblib3 liblib3 liblib3 liblib3 zhazha444 zhazha444 zhazha444 zhazha444 zhazha444 dende5 dende denden denden2 denden21 fenfen9 fenf619 fen619 fenfe9 fe619 sdf sdf sdf sdf sdf zhazh90 zhazh0 zhaa50 zha90 zh590 zho zhoz zhozh zhozho zhozho2 lislis lls95 lili95 lils5 liss9 sdf0ty987 sdft876 sdft9876 sdf09876 sd0t9876 sdf0ty98 sdf0976 sdf0ty986 sdf0ty96 sdf0t76 sdf0876 df0ty98 sf0t876 sd0ty76 sdy76 sdf76 sdf0t76 sdf0ty9 sdf0ty98 sdf0ty987 sdf0ty98 sdf6676 sdf876 sd876 sd876 sdf6 sdf6 sdf9876 sdf0t sdf06 sdf0ty9776 sdf0ty9776 sdf0ty76 sdf8876 sdf0t sd6 sdf06 s688876 sd688 sdf86