是的,我认为如果必须比较多个文件并存储哈希以供以后比较,则对文件进行哈希处理将是最好的方法。由于哈希可能会发生冲突,因此可能会根据用例进行逐字节比较。
通常,逐字节比较将是足够且高效的,哪个filecmp模块也已经执行了其他操作。
参见http://docs.python.org/library/filecmp.html 例如
>>> import filecmp
>>> filecmp.cmp('file1.txt', 'file1.txt')
True
>>> filecmp.cmp('file1.txt', 'file2.txt')
False
通常,如果只需要比较两个文件,则对它们进行散列并进行比较会比较慢,而不是简单的逐字节比较(如果有效率的话)。例如,下面的代码尝试对哈希与字节逐时进行计时
免责声明:这不是计时或比较两种算法的最佳方法。需要改进,但确实给出了粗略的想法。如果您认为应该改进它,请告诉我,我将对其进行更改。
import random
import string
import hashlib
import time
def getRandText(N):
return "".join([random.choice(string.printable) for i in xrange(N)])
N=1000000
randText1 = getRandText(N)
randText2 = getRandText(N)
def cmpHash(text1, text2):
hash1 = hashlib.md5()
hash1.update(text1)
hash1 = hash1.hexdigest()
hash2 = hashlib.md5()
hash2.update(text2)
hash2 = hash2.hexdigest()
return hash1 == hash2
def cmpByteByByte(text1, text2):
return text1 == text2
for cmpFunc in (cmpHash, cmpByteByByte):
st = time.time()
for i in range(10):
cmpFunc(randText1, randText2)
print cmpFunc.func_name,time.time()-st
输出是
cmpHash 0.234999895096
cmpByteByByte 0.0