在python中生成文件的校验和

Posted 2023-02-23

【中文标题】在python中生成文件的校验和

【英文标题】：Generating a checksum of a file in python

【发布时间】：2016-11-04 08:24:28

【问题描述】：

这个问题已经在这个网站上被问过并回答了很多次，但由于一些模糊的原因，没有人想出一个相对简单（在我看来）、更简洁、可能更优雅的解决方案。也许是因为解决方案实际上很糟糕，但这就是我想要弄清楚的，如果它很糟糕，那么我想知道如何以及为什么。 最受欢迎的答案之一是：

def md5(fname):
  hash_md5 = hashlib.md5()
  with open(fname, "rb") as f:
    for chunk in iter(lambda: f.read(4096), b""):
        hash_md5.update(chunk)
  return hash_md5.hexdigest()

这是可以理解的——我们不想将整个文件加载到内存中，所以我们在迭代器和 lambda 函数的帮助下分块读取它。很好很简单。 但大概我们可以通过如下定义 md5sum 函数以更简单的方式做到这一点：

def md5sum(fname):
  md5 = hashlib.md5()
  with open(fname, 'rb') as f:
    for chunk in f:
      md5.update(chunk)
  return md5.hexdigest()

方便地，对打开的文件句柄进行迭代会为我们提供一系列行，因此我们可以使用 open(fname, 'rb') 中的“b”前缀来迭代字节对象。这样做有什么问题？

【问题讨论】：

这可能与您正在处理的文件类型有关，特别是它实际上是 ascii 文件还是二进制文件。原始版本对块大小提供了更多控制，而您的版本则受制于此处和那里的换行符。此外，为了处理大文件，我不仅一次使用 4K 数据，而且至少使用 100K，只是为了确保“分块”中没有显着的开销。我曾经有过使用 zip 模块的经验，今天 100K 不算什么。

@Dr.V 我明白了，我几乎同意你所说的一切，但据我所知，它适用于各种文件。

@weeCoder 尝试创建一个 not 包含 \x0a 字节的大文件，然后查看... for chunk in f 降级为 chunk = f.read() 读取整个文件进入记忆。

@PM2Ring 哦，谢谢，这几乎回答了我的问题。如果您认为它对其他人有任何用处，您应该将其发布为答案。

【参考方案1】：

V 博士在 cmets 中所说的是正确的。

使用for chunk in f: 对以b'\n' == b'\x0A' 结尾的块进行操作。这使得文本文件的块大小非常小，对于典型的二进制文件完全不可预测：二进制文件可能不包含 any 0A 字节。当这种情况发生时，for chunk in f: 只是将整个文件读入一个块中。

4k 的块大小应该没问题，但您可以尝试 64k 或 128k 的块大小，看看是否能提高速度。在简单的数据复制测试（使用dd）中，我发现使用更大的块大小没有什么好处；请记住，现代操作系统擅长文件缓冲和缓存。 OTOH，我正在运行一台相当旧的 32 位单核机器。

关于散列大文件的主题，您可能对a program I wrote 感兴趣，它使用 OpenSSL 加密库对大文件执行 SHA256 散列。这个程序的特点是它是可恢复的：你可以随时停止它，当你重新启动它时它会继续哈希过程。

而here's one 使用hashlib 同时计算文件的MD5 和SHA256 哈希值。