Conteúdo do curso Lição 95 de 148 · A lição da mentira
A lição da mentira

Mentira 3: mesmo nome, mesmo tamanho, mesmo arquivo

Por que isso importa Um buscador de duplicatas é geralmente seguido por uma exclusão. Se ele chamar dois arquivos diferentes como "o mesmo", o trabalho de alguém some, e nada na saída avisou isso.

Conselho plantado: o conselho abaixo foi escrito para esta lição e está errado de propósito. É o tipo de resposta que um assistente de IA dá com fluidez e confiança. Seu trabalho não é discutir com ele mas provar a falha com um teste.

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)

O argumento de velocidade é real: ler cada byte de cada arquivo é a parte lenta. Mas isso responde a uma pergunta diferente. Mesmo nome e tamanho é uma forma barata de encontrar arquivos que might sejam duplicatas. Só o conteúdo pode dizer que são.

Pense no que acontece em pastas reais: report.docx salvo em duas pastas de projeto com textos diferentes e, por acaso, o mesmo tamanho; uma foto copiada e renomeada IMG_0001 (copy).jpg; um arquivo de configuração onde apenas um byte difere.

Filtro de candidato: uma verificação barata que descarta coisas mas não pode confirmá-las. Tamanho é um bom exemplo: arquivos de tamanhos diferentes não podem ser iguais. Tamanhos iguais significam apenas "vale a pena comparar".

Sua vez

Escreva my_test(find_duplicates). Ela recebe uma versão da função e deve lançar um erro se quebrar uma regra. Os arquivos são fornecidos como uma lista de pares (path, data), onde data são os bytes do arquivo. As regras: dois arquivos são duplicatas quando seus bytes são idênticos, independentemente de seus nomes; retorne uma lista de grupos, cada um uma lista ordenada dos caminhos de 2 ou mais arquivos idênticos, e os grupos ordenados; arquivos sem duplicata não aparecem. Passar na barra: passe a versão correta e capture pelo menos 4 das 6 versões quebradas (o conselho plantado é um deles).

Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição

Este exercício abre em breve

Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.