课程大纲 第 95 课,共 148 课 · 说谎的一课
说谎的一课

谎言 3:同名、同大小,就是同一个文件

为什么重要 一个重复文件查找器后面通常紧跟着一次删除。如果它把两个不同的文件判定为“相同”,某个人的工作就没了,而输出里没有任何东西警告过他们。

预设建议:下面这条建议是为这一课写的,故意写错。它是 AI 助手会流畅而自信地给出的那种答案。你的任务不是和它争论,而是用一个测试证明它的缺陷。

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)

关于速度的论点是真实的:读取每个文件的每一个字节,是慢的那部分。但它回答的是另一个问题。同名同大小,是一种找出可能重复的文件的廉价方法。只有内容才能说明它们确实重复。

想想真实的文件夹里会发生什么:report.docx 保存在两个项目文件夹里,内容不同,碰巧大小相同;一张照片被复制并重命名为 IMG_0001 (copy).jpg;一个配置文件只有一个字节不同。

候选过滤器:一种廉价的检查,它能排除某些东西,却不能确认某些东西。大小是一个好的过滤器:大小不同的文件不可能相等。大小相同只意味着“值得比较”。

轮到你了

编写 my_test(find_duplicates)。它会收到这个函数的某个版本,如果那个版本违反了某条规则,它必须抛出异常。文件以一个由 (path, data) 对组成的列表给出,其中 data 是文件的字节。规则:当两个文件的字节完全相同时,它们就是重复的,不管名字是什么;返回一个由组组成的列表,每一组是 2 个或更多相同文件的路径排序后的列表,组本身也要排序;没有重复的文件不会出现。通过标准:通过正确的版本,并抓住 6 个有问题的版本中的至少 4 个(预设的建议是其中之一)。

发现这节课有问题?报告它 · 就这节课提问

这个练习即将开放

完成它前面的那一课,这一课就会解锁。整门课程免费,无需账号,而且你现在就可以阅读这节课。