我正在用 Python 编写一个 p2p 应用程序,并使用 hashlib 模块来识别网络中内容相同但名称不同的文件。
问题是我使用 Python 2.7 测试了为 Windows (Vista) 中的文件执行散列的代码,它非常快(不到一秒,对于几千兆字节)。所以,在 Linux 中(Fedora 12,Python 2.6.2 和 Python 2.7.1 是我自己编译的,因为我还没有找到带有 yum 的 rpm)慢得多,小于 1gb 的文件将近一分钟。
问题是,为什么?和我可以做些什么来提高 Linux 的性能吗?
散列的代码是
import hashlib
...
def crear_lista(directorio):
lista = open(archivo, "w")
for (root, dirs, files) in os.walk(directorio):
for f in files:
#archivo para hacerle el hash
h = open(os.path.join(root, f), "r")
#calcular el hash de los archivos
md5 = hashlib.md5()
while True:
trozo = h.read(md5.block_size)
if not trozo: break
md5.update(trozo)
#cada linea es el nombre de archivo y su hash
size = str(os.path.getsize(os.path.join(root, f)) / 1024)
digest = md5.hexdigest()
#primera linea: nombre del archivo
#segunda: tamaño en KBs
#tercera: hash
lines = f + "\n" + size + "\n" + digest + "\n"
lista.write(lines)
del md5
h.close()
lista.close()
我将 r
更改为 rb
和 rU
但结果是一样的
最佳答案
您正在以 64 字节 (hashlib.md5().block_size
) block 读取文件并对其进行哈希处理。
您应该在 256KB(262144 字节)到 4MB(4194304 字节)的范围内使用更大的读取值,然后对其进行哈希处理;这个digup程序以 1MB block 读取,即:
block_size = 1048576 # 1MB
while True:
trozo = h.read(block_size)
if not trozo: break
md5.update(trozo)
关于python - Windows 和 Linux 中的 Hashlib,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/4418042/