[雪峰磁针石博客]MD5值重复文件多进程检查工具check_md5.py - 性能测试工具开发

MD5简介

Message Digest Algorithm MD5(中文名为消息摘要算法第五版)为计算机安全领域广泛使用的一种散列函数，用以提供消息的完整性保护。该算法的文件号为RFC 1321(R.Rivest,MIT Laboratory for Computer Science and RSA Data Security Inc. April 1992)。

MD5即Message-Digest Algorithm 5(信息-摘要算法5)，用于确保信息传输完整一致。是计算机广泛使用的杂凑算法之一(又译摘要算法、哈希算法)，主流编程语言普遍已有MD5实现。将数据(如汉字)运算为另一固定长度值，是杂凑算法的基础原理，MD5的前身有MD2、MD3和MD4。

MD5算法具有以下特点:

1、压缩性:任意长度的数据，算出的MD5值长度都是固定的。

2、容易计算:从原数据计算出MD5值很容易。

3、抗修改性:对原数据进行任何改动，哪怕只修改1个字节，所得到的MD5值都有很大区别。

4、强抗碰撞:已知原数据和其MD5值，想找到一个具有相同MD5值的数据(即伪造数据)是非常困难的。

MD5的作用是让大容量信息在用数字签名软件签署私人密钥前被"压缩"成一种保密的格式(就是把一个任意长度的字节串变换成一定长的十六进制数字串)。除了MD5以外，其中比较有名的还有sha-1、RIPEMD以及Haval等。

举个实际应用的例子。比如你在百度云qq群文件等上传文件的时候，有时上传几百兆的文件可以几秒内完成，是真的网络有这么快么？不是，通常是服务器已经存在你所上传的文件。那么系统是如何确定服务器已经存在你要上传的文件的呢？多为计算你要上传文件的MD5，如果MD5和已有文件的MD5一致，就认为文件已经存在。

计算MD5

linux 下 shell命令行工具md5sum用于计算与校验RFC 1321所描述的128位MD5哈希值。

$ echo "hello" > hello $ md5sum hello b1946ac92492d2347c6235b4d2611184 hello

上述过程也可以用python3实现

>>> import hashlib >>> hashlib.md5(open('hello','rb').read()).hexdigest() 'b1946ac92492d2347c6235b4d2611184'

上述代码的函数封装，参见get_md5函数。

[Md5sum 英文维基百科参考](https://en.wikipedia.org/wiki/Md5sum）

MD5值重复文件多进程检查工具

测试过程中经常发现MD5值相同的图片。之前没有用并发，检查过程经常需要一个小时，现在改成多进程。一般3分钟以内可以完成处理(48核)。

此模式也是自行开发性能测试工具的模型之一。

代码：

 #!/usr/bin/python3 # -*- coding: utf-8 -*- # Author: xurongzhong#126.com 技术支持qq群：144081101 # CreateDate: 2018-1-8 # check_md5.py import multiprocessing from pathlib import Path import argparse import os import data_common def consumer(queue, results, lock): while True: item = queue.get() if item is None: break name = os.path.basename(item) md5 = data_common.get_md5(item, is_file=True) with lock: if md5 in results: print("Same md5", results[md5], name) else: results[md5] =[] results[md5] = results[md5] + [name] if __name__ == '__main__': parser = argparse.ArgumentParser() parser.add_argument('directory', action="store", help=u'目录') parser.add_argument('-t', action="store", dest="typename", default="*", help=u'文件扩展名') parser.add_argument('--version', action='version', version='%(prog)s 1.1 Rongzhong xu 2018 03 22') options = parser.parse_args() process = [] queue = multiprocessing.Queue() results = multiprocessing.Manager().dict() lock = multiprocessing.Lock() if multiprocessing.cpu_count() < 3: number = multiprocessing.cpu_count() else: number = multiprocessing.cpu_count() - 1 # Launch the consumer process for i in range(number): t = multiprocessing.Process( target=consumer,args=(queue, results, lock)) t.daemon=True process.append(t) for i in range(number): process[i].start() p = Path(options.directory) for item in p.glob('**/*.{}'.format(options.typename)): queue.put(str(item)) for i in range(number): queue.put(None) for i in range(number): process[i].join() f = open("md5_files.txt",'w') f2 = open("files.txt",'w') for item in dict(results): f2.write("{},{}\n".format(item,results[item])) if len(results[item]) > 1: f.write("{},{}\n".format(item,results[item]))

演示

#!python $ python3 check_md5.py /home/andrew/code/paper Same md5 ['2018.01.07-19.38.15_0.9999967.jpg'] 2018.01.07-19.38.15_0.99999679.jpg $ cat md5_files.txt 43c5a6e1dcf79d095e97ce63885c5cd7,['2018.01.07-19.38.15_0.9999967.jpg', '2018.01.07-19.38.15_0.99999679.jpg'] andrew@andrew-PowerEdge-T630:~/code/mobile_data/tools$ 

注意，求MD5值依赖data_common.py

上面使用的多进程属于python高性能的内容，如需想深入了解可以参考书籍 。

参考资料

• 讨论 钉钉免费群21745728 qq群144081101 567351477
• 本文涉及的python测试开发库，谢谢点赞！
• 本文相关书籍下载