Temario Lección 95 de 148 · La lección que miente
La lección que miente

Mentira 3: mismo nombre, mismo tamaño, mismo archivo

Por qué importa A un buscador de duplicados suele seguirle un borrado. Si dice que dos archivos distintos son "el mismo", el trabajo de alguien desaparece, y nada en la salida le avisó.

Consejo plantado: el consejo de abajo se escribió para esta lección, y está mal a propósito. Es el tipo de respuesta que da un asistente de IA con fluidez y seguridad. Tu trabajo no es discutirlo, sino demostrar el fallo con una prueba.

import os

# Hashing every file is slow. Two files with the same name and the same size
# are the same file in practice, so group on that.
def find_duplicates(files):
    groups = {}
    for path, data in files:
        groups.setdefault((os.path.basename(path), len(data)), []).append(path)
    return sorted(sorted(g) for g in groups.values() if len(g) > 1)

El argumento de la velocidad es real: leer cada byte de cada archivo es la parte lenta. Pero responde a otra pregunta. El mismo nombre y tamaño es una forma barata de encontrar archivos que podrían ser duplicados. Solo el contenido puede decir que lo son.

Piensa en lo que pasa en carpetas reales: report.docx guardado en dos carpetas de proyecto con texto distinto y, por casualidad, el mismo tamaño; una foto copiada y renombrada IMG_0001 (copy).jpg; un archivo de configuración en el que solo cambia un byte.

Filtro de candidatos: una comprobación barata que descarta cosas pero no puede confirmarlas. El tamaño es uno bueno: archivos de tamaños distintos no pueden ser iguales. Tamaños iguales solo significan "vale la pena compararlos".

Tu turno

Escribe my_test(find_duplicates). Recibe una versión de la función y debe lanzar un error si rompe una regla. Los archivos llegan como una lista de pares (path, data), donde data son los bytes del archivo. Las reglas: dos archivos son duplicados cuando sus bytes son idénticos, sean cuales sean sus nombres; devuelve una lista de grupos, cada uno una lista ordenada de las rutas de 2 o más archivos idénticos, y los grupos ordenados; los archivos sin duplicado no aparecen. Para aprobar: pasa con la versión correcta y atrapa al menos 4 de las 6 versiones rotas (el consejo plantado es una de ellas).

¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección

Este ejercicio se abre pronto

Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.