![](/img/trans.png)
[英]How to grab all files in a folder and get their MD5 hash in python?
[英]Get MD5 hash of big files in Python
我使用了 hashlib(它替换了 Python 2.6/3.0 中的 md5),如果我打开一个文件并将其内容放在hashlib.md5()
函数中, hashlib.md5()
正常工作。
问题在于非常大的文件,它们的大小可能超过 RAM 大小。
如何在不将整个文件加载到内存的情况下获取文件的 MD5 哈希?
您需要以合适大小的块读取文件:
def md5_for_file(f, block_size=2**20):
md5 = hashlib.md5()
while True:
data = f.read(block_size)
if not data:
break
md5.update(data)
return md5.digest()
注意:确保使用“rb”打开文件 - 否则您将得到错误的结果。
所以要用一种方法做很多事情 - 使用类似的东西:
def generate_file_md5(rootdir, filename, blocksize=2**20):
m = hashlib.md5()
with open( os.path.join(rootdir, filename) , "rb" ) as f:
while True:
buf = f.read(blocksize)
if not buf:
break
m.update( buf )
return m.hexdigest()
上面的更新基于 Frerich Raabe 提供的评论 - 我对此进行了测试,发现它在我的 Python 2.7.2 windows 安装中是正确的
我使用“jacksum”工具交叉检查了结果。
jacksum -a md5 <filename>
将文件分成 8192 字节的块(或其他一些 128 字节的倍数),并使用update()
将它们连续提供给 MD5。
这利用了 MD5 具有 128 字节摘要块(8192 是 128×64)的事实。 由于您没有将整个文件读入内存,因此这不会使用超过 8192 字节的内存。
在 Python 3.8+ 中你可以做
import hashlib
with open("your_filename.txt", "rb") as f:
file_hash = hashlib.md5()
while chunk := f.read(8192):
file_hash.update(chunk)
print(file_hash.digest())
print(file_hash.hexdigest()) # to get a printable str instead of bytes
下面我结合了评论中的建议。 谢谢你!
import hashlib
def checksum(filename, hash_factory=hashlib.md5, chunk_num_blocks=128):
h = hash_factory()
with open(filename,'rb') as f:
for chunk in iter(lambda: f.read(chunk_num_blocks*h.block_size), b''):
h.update(chunk)
return h.digest()
import hashlib
def checksum(filename, hash_factory=hashlib.md5, chunk_num_blocks=128):
h = hash_factory()
with open(filename,'rb') as f:
while chunk := f.read(chunk_num_blocks*h.block_size):
h.update(chunk)
return h.digest()
如果您关心更多的 Pythonic(没有 'while True')读取文件的方式,请检查以下代码:
import hashlib
def checksum_md5(filename):
md5 = hashlib.md5()
with open(filename,'rb') as f:
for chunk in iter(lambda: f.read(8192), b''):
md5.update(chunk)
return md5.digest()
请注意, iter() 函数需要一个空字节字符串,以便返回的迭代器在 EOF 处停止,因为 read() 返回 b''(不仅仅是 '')。
这是我的@Piotr Czapla 方法的版本:
def md5sum(filename):
md5 = hashlib.md5()
with open(filename, 'rb') as f:
for chunk in iter(lambda: f.read(128 * md5.block_size), b''):
md5.update(chunk)
return md5.hexdigest()
在此线程中使用多个评论/答案,这是我的解决方案:
import hashlib
def md5_for_file(path, block_size=256*128, hr=False):
'''
Block size directly depends on the block size of your filesystem
to avoid performances issues
Here I have blocks of 4096 octets (Default NTFS)
'''
md5 = hashlib.md5()
with open(path,'rb') as f:
for chunk in iter(lambda: f.read(block_size), b''):
md5.update(chunk)
if hr:
return md5.hexdigest()
return md5.digest()
最后,
- 这是由社区建立的,感谢大家的建议/想法。
Python 2/3 便携解决方案
要计算校验和(md5、sha1 等),您必须以二进制模式打开文件,因为您将对字节值求和:
要 py27/py3 可移植,您应该使用io
包,如下所示:
import hashlib
import io
def md5sum(src):
md5 = hashlib.md5()
with io.open(src, mode="rb") as fd:
content = fd.read()
md5.update(content)
return md5
如果您的文件很大,您可能更喜欢分块读取文件,以避免将整个文件内容存储在内存中:
def md5sum(src, length=io.DEFAULT_BUFFER_SIZE):
md5 = hashlib.md5()
with io.open(src, mode="rb") as fd:
for chunk in iter(lambda: fd.read(length), b''):
md5.update(chunk)
return md5
这里的技巧是使用带有哨兵(空字符串)的iter()
函数。
在这种情况下创建的迭代器将在每次调用
next()
方法时不带参数地调用o [lambda 函数]; 如果返回的值等于 sentinel,则将引发StopIteration
,否则将返回该值。
如果您的文件真的很大,您可能还需要显示进度信息。 您可以通过调用一个回调函数来打印或记录计算出的字节数来做到这一点:
def md5sum(src, callback, length=io.DEFAULT_BUFFER_SIZE):
calculated = 0
md5 = hashlib.md5()
with io.open(src, mode="rb") as fd:
for chunk in iter(lambda: fd.read(length), b''):
md5.update(chunk)
calculated += len(chunk)
callback(calculated)
return md5
Bastien Semene 代码的混音,考虑了 Hawkwing 关于通用哈希函数的评论......
def hash_for_file(path, algorithm=hashlib.algorithms[0], block_size=256*128, human_readable=True):
"""
Block size directly depends on the block size of your filesystem
to avoid performances issues
Here I have blocks of 4096 octets (Default NTFS)
Linux Ext4 block size
sudo tune2fs -l /dev/sda5 | grep -i 'block size'
> Block size: 4096
Input:
path: a path
algorithm: an algorithm in hashlib.algorithms
ATM: ('md5', 'sha1', 'sha224', 'sha256', 'sha384', 'sha512')
block_size: a multiple of 128 corresponding to the block size of your filesystem
human_readable: switch between digest() or hexdigest() output, default hexdigest()
Output:
hash
"""
if algorithm not in hashlib.algorithms:
raise NameError('The algorithm "{algorithm}" you specified is '
'not a member of "hashlib.algorithms"'.format(algorithm=algorithm))
hash_algo = hashlib.new(algorithm) # According to hashlib documentation using new()
# will be slower then calling using named
# constructors, ex.: hashlib.md5()
with open(path, 'rb') as f:
for chunk in iter(lambda: f.read(block_size), b''):
hash_algo.update(chunk)
if human_readable:
file_hash = hash_algo.hexdigest()
else:
file_hash = hash_algo.digest()
return file_hash
如果不阅读完整内容,您将无法获得它的 md5。 但是您可以使用更新功能逐块读取文件内容。
m.更新(一); m.update(b) 等价于 m.update(a+b)
我认为以下代码更pythonic:
from hashlib import md5
def get_md5(fname):
m = md5()
with open(fname, 'rb') as fp:
for chunk in fp:
m.update(chunk)
return m.hexdigest()
我不喜欢循环。 基于@Nathan Feger:
md5 = hashlib.md5()
with open(filename, 'rb') as f:
functools.reduce(lambda _, c: md5.update(c), iter(lambda: f.read(md5.block_size * 128), b''), None)
md5.hexdigest()
Django 可接受答案的实现:
import hashlib
from django.db import models
class MyModel(models.Model):
file = models.FileField() # any field based on django.core.files.File
def get_hash(self):
hash = hashlib.md5()
for chunk in self.file.chunks(chunk_size=8192):
hash.update(chunk)
return hash.hexdigest()
import hashlib,re
opened = open('/home/parrot/pass.txt','r')
opened = open.readlines()
for i in opened:
strip1 = i.strip('\n')
hash_object = hashlib.md5(strip1.encode())
hash2 = hash_object.hexdigest()
print hash2
我不确定这里是否有太多的大惊小怪。 我最近在使用 md5 和在 MySQL 上存储为 blob 的文件时遇到了问题,因此我尝试了各种文件大小和简单的 Python 方法,即:
FileHash=hashlib.md5(FileData).hexdigest()
在 2Kb 到 20Mb 的文件大小范围内,我没有发现明显的性能差异,因此不需要“分块”散列。 无论如何,如果 Linux 必须使用磁盘,它可能至少会像普通程序员阻止它这样做的能力一样做到这一点。 碰巧,问题与md5无关。 如果您正在使用 MySQL,请不要忘记已经存在的 md5() 和 sha1() 函数。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.