سرفصل‌ها درس 95 از 148 · درس دروغ
درس دروغ

دروغ ۳: نام یکسان، اندازه یکسان، فایل یکسان

چرا اهمیت دارد ابزار یافتن موارد تکراری معمولاً با حذف همراه است. اگر دو فایل متفاوت را «یکسان» تشخیص دهد، کار کسی از بین می‌رود و هیچ هشداری در خروجی به او داده نمی‌شود.

راهنمایی کاذب: متن زیر برای این درس نوشته شده و عمداً نادرست است. این همان نوع پاسخی است که یک دستیار هوش مصنوعی به‌طور روان و با اطمینان ارائه می‌دهد. وظیفه شما بحث با آن نیست، بلکه با یک آزمون اثبات کردن نقص آن است.

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)

موضوع سرعت یک واقعیت است: خواندن هر بایت از هر فایل بخش کند ماجراست. اما این پاسخ به پرسشی متفاوت است. داشتن نام و اندازه یکسان راهی ارزان برای یافتن فایل‌هایی است که ممکن است تکراری باشند. تنها محتواست که می‌تواند بگوید آن‌ها واقعاً تکراری هستند.

به آنچه در پوشه‌های واقعی اتفاق می‌افتد فکر کنید: report.docx ذخیره شده در دو پوشه پروژه با متن متفاوت و به طور اتفاقی، با همان اندازه؛ عکسی که کپی و نام‌گذاری مجدد شده است IMG_0001 (copy).jpg؛ یک فایل پیکربندی که تنها یک بایت آن متفاوت است.

فیلتر کاندید: یک بررسی ساده که می‌تواند مواردی را رد کند اما نمی‌تواند مواردی را تأیید کند. اندازه یک معیار خوب است: فایل‌هایی با اندازه‌های متفاوت نمی‌توانند برابر باشند. اندازه‌های برابر فقط به این معناست که «شایسته مقایسه هستند».

نوبت شما

نوشتن my_test(find_duplicates). این یک نسخه از تابع را دریافت می‌کند و در صورت نقض یک قانون باید خطا ایجاد کند. فایل‌ها به صورت یک لیست از (path, data) جفت‌ها، جایی که data بايت‌های فايل است. قواعد: دو فايل زمانی کپی هستند که بايت‌های آنها یکسان باشد، صرف‌نظر از نامشان؛ یک لیست گروه‌ها را بازگردانید، که هر گروه یک لیست مرتب‌شده از مسیرهای دو یا چند فايل یکسان است، و گروه‌ها مرتب شده‌اند؛ فایل‌هایی که کپی ندارند ظاهر نمی‌شوند. آستانه‌ی عبور: نسخه‌ی صحیح را ارسال کنید و حداقل ۴ نسخه از ۶ نسخه‌ی معیوب را تشخیص دهید (نصیحت کاشته شده یکی از آن‌هاست).

مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید

این تمرین به‌زودی باز می‌شود

درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و می‌توانید همین الان این درس را بخوانید.