Windows下有软件FindDupFile,可以搜索指定目录及其下子目录,列出所有内容完全相同的文件(文件名可能不同),然后由用户选择删除重复的文件。
然而shell脚本却可以使用几行的命令完成与此相同的工作,借助windows下的shell脚本工具Cygwin,可以实现扫描Windows下的目录,原理简述如下:
1.首先借助find命令扫描文件夹下类型为普通文件的所有文件,find命令的输出是一行一个文件
2.对find找到的所有文件进行MD5校验,校验命令为md5sum files,输出文本格式为:MD5SUM *file
3.内容的文件的md5校验值是相同的,所有对MD5SUM校验值进行相同值查询,因此使用awk的关联数组,将不相同的文件输出
4.对awk输出重复的文件表进行删除。
shell脚本如下:
#!/bin/bash - #查找文件夹下相同的文件 #Usage: dupfile.sh [-ds] dirs # dirs 请用单引号引起来 del=0 silent=0 trap "" PIPE #参数处理 while test $# -gt 0 do case $1 in -d | --delete) del=1 ;; -s | --silent) silent=1 ;; -*) break ;; *) break ;; esac shift done if [ $# -eq 0 ] then echo "Usage: dupfile.sh [-ds] dirs" >&2 exit 0 fi #find查找所有文件并进行MD5校验, # md5sum对二进制文件输出为 MD5SUM *file # awk使用关联数组处理相同的md5值并按照格式输出,使用DEL传递参数 # tee命令将管道拷贝一份到进程替换,另一份到stdout find "$@" -type f -exec md5sum {} + | awk -v FS="*" -v DEL=$del -v SLT=$silent ' { if($1 in md5) md5[$1] = md5[$1] "*" $2 else md5[$1] = $2 } END{ for(key in md5) { if(DEL==0) K++ n = split(md5[key], files, "*") if(SLT==1 && n==1) continue if(DEL==0) printf("%-*s %s ", length(key), key, files[n]) for(n-- ;n>0 ; n--) { K++ if(DEL==0) printf("%-*s %s ", length(key), "", files[n]) else printf(""%s" ", files[n]) } } K = K>0 ? K : 0 print "Total: " K " files" }' | tee >( if [ "$del" -eq 1 ] then xargs rm -f else tee >/dev/null fi )
看看用Cygwin在Windows下的测试结果: (注意将列出的所有目录加单引号)
首先,我在E盘test目录下创建10个临时文件,文件都为空,测试结果如下:
hp@hp-PC ~ $ (cd 'E:/test'; i=0; while [ "$i" -lt 10 ] ; do mktemp "./XXXXXX" ; i=$((i+1)) ; done) ./pOsdFm ./5tndDZ ./wjSDR2 ./oFrSaG ./7zlZcA ./9sNmEo ./UVDQLR ./qZdDNI ./iwfYdn ./IP52BK hp@hp-PC ~ $ ./dupfile.sh 'E:/test' cygwin warning: MS-DOS style path detected: E:/test Preferred POSIX equivalent is: /cygdrive/e/test CYGWIN environment variable option "nodosfilewarning" turns off this warning. Consult the user's guide for more details about POSIX paths: http://cygwin.com/cygwin-ug-net/using.html#using-pathnames d41d8cd98f00b204e9800998ecf8427e E:/test/wjSDR2 E:/test/UVDQLR E:/test/qZdDNI E:/test/pOsdFm E:/test/oFrSaG E:/test/iwfYdn E:/test/IP52BK E:/test/9sNmEo E:/test/7zlZcA E:/test/5tndDZ Total: 10 files hp@hp-PC ~ $
从结果中看出,已经完全的将10个重复的空文件完全查找出来。
使用-d选项,则可以删除重复的,只保留其中的一个。
hp@hp-PC ~ $ (cd 'E:/test' ; ls ;) 5tndDZ 7zlZcA 9sNmEo IP52BK iwfYdn oFrSaG pOsdFm qZdDNI UVDQLR wjSDR2 hp@hp-PC ~ $ ./dupfile.sh -d 'E:/test' "E:/test/UVDQLR" "E:/test/qZdDNI" "E:/test/pOsdFm" "E:/test/oFrSaG" "E:/test/iwfYdn" "E:/test/IP52BK" "E:/test/9sNmEo" "E:/test/7zlZcA" "E:/test/5tndDZ" Total: 9 files hp@hp-PC ~ $ (cd 'E:/test' ; ls ;) wjSDR2
再测试一下不相同的情况,我在E:/test目录下,创建10个不相同的文件,每个文件内包含自己的文件名:
hp@hp-PC ~ $ (cd 'E:/test'; i=0; while [ "$i" -lt 10 ] ; do name=`mktemp "./XXXXXX"` ; echo "$name" > "$name" ; i=$((i+1)) ; done) hp@hp-PC ~ $ ./dupfile.sh 'E:/test' 26288eeea00c650ae612dcf5b0efa5ab E:/test/wBMk5c 6f28a86738b227553b116914befd7b55 E:/test/lOT1Yd 1bc7d2563796cf63c7f0d68affb190ef E:/test/haDFBY 679bc5d2d3e17761185ed82d43fd7d4a E:/test/CHOmSd aaefa81fafd87bf3c3378ef02e22ef5a E:/test/yZ635B e13b59ae07a9fd0e0a8095701c4003b2 E:/test/QdWtsN ae2eabc1232111d9f12190b3a62d60bf E:/test/13PWOU 621d060c7c313f06eff1ce21a6b25f0c E:/test/sql7KV 7108830bbf019166d4af9a10030384f3 E:/test/lxGd5y 6dc2d2815a69f8a754503f1301e1cbcb E:/test/efUo7c Total: 10 files
看到,列出的全部是不相同的文件,当文件数目比较多的时候,可以使用-s选项,静默输出,只列出重复的文件,不重复的文件则不列出。
最后,有个耐人寻味的问题,我在测试中发现,dupfile程序最后的管道末端的 tee >(....) 命令会莫名奇妙的终止,脚本的退出码为141,对应的是SIGPIPE信号。
我原先的脚本最后是这样写的:
tee >( if [ "$del" -eq 1 ] then xargs rm -f fi )
分析得到,>( ... ) 这样的进程替换的实现原理是通过命名管道来做的,首先将 >( ... ) 此位置替换为 /dev/fd/63 或其他的命名管道文件,然后启动新的bash程序,来执行 >( ... ) 中的命令部分,而且bash程序的标准输入被替换为 /dev/fd/63 的管道输出端。而此时,为什么会触发SIGPIPE信号?
括号内部的命令部分是个判断语句,当判断为否定的时候,xargs命令不会执行,因此启动的bash程序就退出了,此时就造成,tee命令向 /dev/fd/63 这个管道端写的时候收到SIGPIPE信号,改正的做法是,要么保证 启动的bash程序不会退出,加一个else语句,tee >/dev/null ,要么就是忽略SIGPIPE信号,加上trap "" SIGPIPE就可以,同时将tee命令的stderr输出忽略 tee 2>/dev/null > ( ... )。