人生苦短，我用Python
环境：
Windows 10 64-bit, python == 3.6.4 , PyCharm CE == 2018.1
题目：
在一个很大的MP3 文件集合中，或许会有同一首歌的不同拷贝，它们存
放在不同的目录下或者有不同的名字。这个练习的目的是检索出这些拷贝。
这是 Think Python：How to Think Like a Computer Scientist-2nd 书中的习题。
分析：
1、定义一个函数 walk(dirname)，以绝对路径，输出指定目录下所有文件以及子文件夹下的文件。
def walk(dirname):
'''
以绝对路径，用列表输出指定目录下的所有文件，以及子文件夹下的文件。
'''
names = []
for name in os.listdir(dirname):
# os.listdir() Return a list containing the names of the entries in the directory given by path.
path = os.path.join(dirname, name)
# os.path.join() Join one or more path components intelligently
if os.path.isfile(path):
# os.path.isfile() Return True if path is an existing regular file.判断是否为文件
names.append(path)
else:
names.extend(walk(path)) # list.extend()
return names # 返回指定文件下所有文件的列表
2、定义一个函数 find_suffix_file(dirname, suffix)，用后缀名筛选出指定格式的文件，如.mp3 或 .pdf。
def find_suffix_file(dirname, suffix):
'''
以列表输出指定后缀名的文件。
'''
target_files = []
names = walk(dirname) # 调用自定义函数walk()
for name in names:
if name.endswith(suffix):
target_files.append(name)
return target_files # 返回目标文件列表
3、如果两个文件的MD5值相同，则说明这两个文件很有可能是相同的。
定义一个函数 compute_md5(filename)，来计算每个文件的MD5值。
注意：这里filename 为文件的绝对路径，如若路径中含有空格，要用英文双引号括起来，不然的话会报错 CertUtil: 参数太多。
def compute_md5(filename):
'''
compute the MD5 value of the file
'''
# 构建命令行 命令
cmd = 'certutil -hashfile "' + filename + '" MD5'
# 注意：命令构建时，由于文件路径中含有空格，命令行执行时会将空格识别为分隔符，
# 误识别为多个参数，从而报错 " CertUtil: 参数太多 "。
# 所以要将文件路径包含在双引号""内。
result = call_cmd(cmd) # 调用CMD，计算MD5值
file_md5 = tuple(result.split('\n'))[1] # 解析读取的内容
return file_md5 # 返回文件的MD5值
4、由于本练习是在Windows环境下写的，所以使用 certutil -hashfile + filename + MD5 命令来计算（Linux下的md5sum命令）。
构建调用系统CMD的函数 call_cmd(cmd)：
def call_cmd(cmd):
'''
windows下文件MD5等校验：(LINUX 下，使用md5sum命令)
certutil -hashfile 路径/file.exe MD5
certutil -hashfile 路径/file.exe SHA1
certutil -hashfile 路径/file.exe SHA256
'''
fp = os.popen(cmd) # Python下调用系统命令行，返回一个文件对象
# Open a pipe to or from command cmd.
# The return value is an open file object connected to the pipe,
# which can be read or written depending on whether mode is 'r' (default) or 'w'.
result = fp.read() # 读取命令行执行的返回的内容
state = fp.close() # 关闭文件对象
assert state is None # 断言文件对象是否关闭
return result # 返回命令行计算的结果
注：这里3和4是将调用与计算分开的，也可以写成一个函数。
5、有了MD5值，就可以比较每个文件的MD5值，找出相同的文件，并打印出来。
定义一个函数check_file(dirname, suffix)，查找出相同的文件：
def check_file(dirname, suffix):
d = {} # 创建空字典。将md5_value作为key, file 作为value.
target_files = find_suffix_file(dirname, suffix)
for file in target_files:
md5_value = compute_md5(file) # 计算md5_value
if md5_value in d: #
d[md5_value].append(file) # 以列表的形式收集相同MD5值的file
else:
d[md5_value] = [file]
for md5_value, file in d.items():
if len(file)>1: # 如果大于1，说明很可能有不同文件名的重复文件。
print(file) # 此处file是收集重复文件的列表
以上是几个需要完成的主要函数，并附有注释。
参考作者的代码完成，附链接
（http://greenteapress.com/thinkpython2/code/find_duplicates.py）
附完整的代码：
# coding:utf-8
import os
def walk(dirname):
'''
以绝对路径，用列表输出指定目录下的所有文件，以及子文件夹下的文件。
'''
names = []
for name in os.listdir(dirname):
# os.listdir() Return a list containing the names of the entries in the directory given by path.
path = os.path.join(dirname, name)
# os.path.join() Join one or more path components intelligently
if os.path.isfile(path):
# os.path.isfile() Return True if path is an existing regular file.判断是否为文件
names.append(path)
else:
names.extend(walk(path)) # list.extend()
return names # 返回指定文件下所有文件的列表
def find_suffix_file(dirname, suffix):
'''
以列表输出指定后缀名的文件。
'''
target_files = []
names = walk(dirname) # 调用自定义函数walk()
for name in names:
if name.endswith(suffix):
target_files.append(name)
return target_files # 返回目标文件列表
def call_cmd(cmd):
'''
windows下文件MD5等校验：(LINUX 下，使用md5sum命令)
certutil -hashfile 路径/file.exe MD5
certutil -hashfile 路径/file.exe SHA1
certutil -hashfile 路径/file.exe SHA256
'''
fp = os.popen(cmd) # Python下调用系统命令行，返回一个文件对象
# Open a pipe to or from command cmd.
# The return value is an open file object connected to the pipe,
# which can be read or written depending on whether mode is 'r' (default) or 'w'.
result = fp.read() # 读取命令行执行的返回的内容
state = fp.close() # 关闭文件对象
assert state is None # 断言文件对象是否关闭
return result # 返回命令行计算的结果
def compute_md5(filename):
'''
compute the MD5 value of the file
'''
# 构建命令行 命令
cmd = 'certutil -hashfile "' + filename + '" MD5'
# 注意：命令构建时，由于文件路径中含有空格，命令行执行时会将空格识别为分隔符，
# 误识别为多个参数，从而报错 " CertUtil: 参数太多 "。
# 所以要将文件路径包含在双引号""内。
result = call_cmd(cmd) # 调用CMD，计算MD5值
file_md5 = tuple(result.split('\n'))[1] # 解析读取的内容，
return file_md5 # 返回文件的MD5值
def check_file(dirname, suffix):
d = {} # 创建空字典。将md5_value作为key, file 作为value.
target_files = find_suffix_file(dirname, suffix)
for file in target_files:
md5_value = compute_md5(file) # 计算md5_value
if md5_value in d: #
d[md5_value].append(file) # 以列表的形式收集相同MD5值的file
else:
d[md5_value] = [file]
for md5_value, file in d.items():
if len(file)>1: # 如果大于1，说明很可能有不同文件名的重复文件。
print(file) # 此处file是收集重复文件的列表
if __name__ == '__main__':
# 注：指定目录下，文件路径中含有空格时会报错 AssertionError
dirname = r'D:\CloudMusic' #注意 Windows下路径的写法
suffix = '.mp3'
check_file(dirname, suffix)
