利用 Linux 查找重復(fù)文件

方法一：使用Find命令

本部分算是對find強大功能的擴展使用方法說明。在find的基礎(chǔ)上，我們可與（如xargs命令）等其它基本Linux命令相結(jié)合，即能創(chuàng)造出無限的命令行功能，比如：可以快速查找出Linux某個文件夾及其子文件夾中的重復(fù)文件列表。要實現(xiàn)這個功能在流程上是比較簡單的，只要查找遍歷出所有文件，再通過命令去比較每個文件的MD5就OK啦。

聽起來好像比較抽象，其實命令就一條：

find -not -empty -type f -printf "%s\n" | sort -rn | uniq -d | xargs -I{} -n1 find -type f -size {}c -print0 | xargs -0 md5sum | sort | uniq -w32 --all-repeated=separate

find -not -empty -type f -printf “%sn” 表示使用find命令搜索出所有非空文件，再打印出他們的大小

sort -rn 命令不用多說了把，這條命令就是按文件大小進行反向排序

uniq -d | xargs -I{} -n1 find -type f -size {}c -print0 表示只打印了重復(fù)的行，這里使用代表打印出文件名相同的文件

uniq -w32 –all-repeated=separate 最后這里表示對MD5的前32個字節(jié)進行對比，以篩選出重復(fù)文件 使用命令行的整個過程就是這么簡單和容易。

方法二：使用dupeGuru工具

DupeGuru是一個跨平臺應(yīng)用，有Linux、Windows和Mac OS X版本，它可以通過文件大小、MD5和文件名等多種標準來幫助用戶找出Linux中的重復(fù)文件。Ubuntu用戶可以直接通過添加如下PPA源來方式來進行安裝：

sudo add-apt-repository ppa:hsoft/ppa
sudo apt-get update
sudo apt-get install dupeguru*

方法三：使用Find命令解析

在工作生活當(dāng)中，我們很可能會遇到查找重復(fù)文件的問題。比如從某游戲提取的游戲文本有重復(fù)的，我們希望找出所有重復(fù)的文本，讓翻譯只翻譯其中一份，而其他的直接替換。那么這個問題該怎么做呢？當(dāng)然方法多種多樣，而且無論那種方法應(yīng)該都不會太難，但筆者第一次遇到這個問題的時候第一反應(yīng)是是用Linux的Shell腳本，所以文本介紹這種方式。

先上代碼：

find -not -empty -type f -printf "%sn" | sort -rn |uniq -d | xargs -I{} -n1 find -type f -size {}c -print0 | xargs -0 md5sum | sort | uniq -w32 --all-repeated=separate | cut -b 36-

大家先cd到自己想要查找重復(fù)文件的文件夾，然后copy上面代碼就可以了，系統(tǒng)會對當(dāng)前文件夾及子文件夾內(nèi)的所有文件進行查重。

下面分析一下上面的命令。

首先看第一句：

find -not -empty -type f -printf "%sn"

find是查找命令；-not -empty是要尋找非空文件；-type f是指尋找常規(guī)文件；-printf “%sn”比較具有迷惑性，這里的%s并非C語言中的輸出字符串，它實際表示的是文件的大小，單位為bytes（不懂就man，man一下find，就可以看到了），n是換行符。所以這句話的意思是輸出所有非空文件的大小。

通過管道，上面的結(jié)果被傳到第二句：

sort -rn

sort是排序，-n是指按大小排序，-r是指從大到小排序（逆序reverse）。

第三句：

uniq -d

uniq是把重復(fù)的只輸出一次，而-d指只輸出重復(fù)的部分（如9出現(xiàn)了5次，那么就輸出1個9，而2只出現(xiàn)了1次，并非重復(fù)出現(xiàn)的數(shù)字，故不輸出）。

第四句：

xargs -I{} -n1 find -type f -size {}c -print0

這一部分分兩部分看，第一部分是xargs -I{} -n1，xargs命令將之前的結(jié)果轉(zhuǎn)化為參數(shù)，供后面的find調(diào)用，其中-I{}是指把參數(shù)寫成{}，而-n1是指將之前的結(jié)果一個一個輸入給下一個命令（-n8就是8個8個輸入給下一句，不寫-n就是把之前的結(jié)果一股腦的給下一句）。后半部分是find -type f -size {}c -print0，find指令我們前面見過，-size{}是指找出大小為{}bytes的文件，而-print0則是為了防止文件名里帶空格而寫的參數(shù)。

第五句：

xargs -0 md5sum

xargs我們之前說過，是將前面的結(jié)果轉(zhuǎn)化為輸入，那么這個-0又是什么意思？man一下xargs，我們看到-0表示讀取參數(shù)的時候以null為分隔符讀取，這也不難理解，畢竟null的二進制表示就是00。后面的md5sum是指計算輸入的md5值。

第六句：sort是排序，這個我們前面也見過。

第七句：

uniq -w32 --all-repeated=separate

uniq -w32是指尋找前32個字符相同的行，原因在于md5值一定是32位的，而后面的--all-repeated=separate是指將重復(fù)的部分放在一類，分類輸出。

第八句：

cut -b 36-

由于我們的結(jié)果帶著md5值，不是很好看，所以我們截取md5值后面的部分，cut是文本處理函數(shù)，這里-b 36-是指只要每行36個字符之后的部分。

我們將上述每個命令用管道鏈接起來，存入result.txt：

find -not -empty -type f -printf "%sn" | sort -rn |uniq -d | xargs -I{} -n1 find -type f -size {}c -print0 | xargs -0 md5sum | sort | uniq -w32 --all-repeated=separate | cut -b 36- >result.txt

雖然結(jié)果很好看，但是有一個問題，這是在Linux下很好看，實際上如果有朋友把輸出文件放到Windows上，就會發(fā)現(xiàn)換行全沒了，這是由于Linux下的換行是n，而windows要求nr，為了解決這個問題，我們最后執(zhí)行一條指令，將n轉(zhuǎn)換為nr：

cat result.txt | cut -c 36- | tr -s 'n'

推薦閱讀