如何使用python使用硬链接替换重复文件？

Question

我是摄影师，做了很多备份。多年来，我发现自己拥有许多硬盘驱动器。现在，我购买了NAS，并使用rsync将所有图片复制到一个3TB的RAID 1上。根据我的脚本，其中大约1TB的文件是重复的。这是因为在删除笔记本电脑上的文件之前进行了多次备份，而且非常混乱。我的确在旧硬盘上备份了所有这些文件，但是如果我的脚本搞砸了，那将很痛苦。您能否看一下我重复的查找程序脚本，并告诉我您是否认为我可以运行它？我在测试文件夹上进行了尝试，看起来还可以，但是我不想在NAS上弄乱东西。

该脚本在三个文件中包含三个步骤。在第一部分中，我将找到所有图像和元数据文件，并将它们作为大小的文件放入货架数据库（datenbank）中。

import os
import shelve

datenbank = shelve.open(os.path.join(os.path.dirname(__file__),"shelve_step1"), flag='c', protocol=None, writeback=False)

#path_to_search = os.path.join(os.path.dirname(__file__),"test")
path_to_search = "/volume1/backup_2tb_wd/"
file_exts = ["xmp", "jpg", "JPG", "XMP", "cr2", "CR2", "PNG", "png", "tiff", "TIFF"]
walker = os.walk(path_to_search)

counter = 0

for dirpath, dirnames, filenames in walker:
  if filenames:
    for filename in filenames:
      counter += 1
      print str(counter)
      for file_ext in file_exts:
        if file_ext in filename:
          filepath = os.path.join(dirpath, filename)
          filesize = str(os.path.getsize(filepath))
          if not filesize in datenbank:
            datenbank[filesize] = []
          tmp = datenbank[filesize]
          if filepath not in tmp:
            tmp.append(filepath)
            datenbank[filesize] = tmp

datenbank.sync()
print "done"
datenbank.close()

第二部分。现在，我删除所有列表中只有一个文件的文件大小，并创建另一个以md5哈希为键，文件列表为值的搁置数据库。

import os
import shelve
import hashlib

datenbank = shelve.open(os.path.join(os.path.dirname(__file__),"shelve_step1"), flag='c', protocol=None, writeback=False)

datenbank_step2 = shelve.open(os.path.join(os.path.dirname(__file__),"shelve_step2"), flag='c', protocol=None, writeback=False)

counter = 0
space = 0

def md5Checksum(filePath):
    with open(filePath, 'rb') as fh:
        m = hashlib.md5()
        while True:
            data = fh.read(8192)
            if not data:
                break
            m.update(data)
        return m.hexdigest()


for filesize in datenbank:
  filepaths = datenbank[filesize]
  filepath_count = len(filepaths)
  if filepath_count > 1:
    counter += filepath_count -1
    space += (filepath_count -1) * int(filesize)
    for filepath in filepaths:
      print counter
      checksum = md5Checksum(filepath)
      if checksum not in datenbank_step2:
        datenbank_step2[checksum] = []
      temp = datenbank_step2[checksum]
      if filepath not in temp:
        temp.append(filepath)
        datenbank_step2[checksum] = temp

print counter
print str(space)

datenbank_step2.sync()
datenbank_step2.close()
print "done"

最后是最危险的部分。对于evrey md5键，我检索了文件列表并执行了另外的sha1。如果匹配，则删除列表中除第一个文件外的每个文件，并创建一个硬链接来替换已删除的文件。

import os
import shelve
import hashlib

datenbank = shelve.open(os.path.join(os.path.dirname(__file__),"shelve_step2"), flag='c', protocol=None, writeback=False)

def sha1Checksum(filePath):
    with open(filePath, 'rb') as fh:
        m = hashlib.sha1()
        while True:
            data = fh.read(8192)
            if not data:
                break
            m.update(data)
        return m.hexdigest()

for hashvalue in datenbank:
  switch = True
  for path in datenbank[hashvalue]:
    if switch:
      original = path
      original_checksum = sha1Checksum(path)
      switch = False
    else:
      if sha1Checksum(path) == original_checksum:
        os.unlink(path)
        os.link(original, path)
        print "delete: ", path
print "done"

你怎么看？非常感谢你。

*如果这很重要：它是Synology 713+，具有ext3或ext4文件系统。

Answer 1

为什么不逐字节比较文件而不是第二个校验和？十亿分之一的两个校验和可能会意外匹配，但直接比较应该不会失败。它不应该更慢，甚至可能更快。当有两个以上的文件并且您必须互相读取原始文件时，可能会更慢。如果您确实想要，可以通过一次比较所有文件的块来解决这个问题。

编辑：

我认为这不需要更多代码，只是不同。循环体是这样的：

data1 = fh1.read(8192)
data2 = fh2.read(8192)
if data1 != data2: return False