实现一个工具:通过符号链接减少重复文件,从而控制文件夹大小
很多工具以不同的方式对数据进行压缩。其中最著名的文件压缩算法/格式就是ZIP和RAR。这种工具通过减少文件内部冗余,从而减少文件的大小。
将文件压缩成压缩包外,另一个非常简单的减少磁盘使用率的范式就是删除重复的文件。本节中,我们将实现一个小工具,其会对目录进行递归。递归中将对文件内容进行对比,如果找到相同的文件,我们将对其中一个进行删除。所有删除的文件则由一个符号链接替代,该链接指向目前唯一存在的文件。这种方式可以不通过压缩对空间进行节省,同时对所有的数据能够进行保存。
How to do it…
本节中,将实现一个小工具用来查找那些重复的文件。我们将会删除其中一个重复的文件,并使用符号链接的方式对其进行替换,这样就能减小文件夹的大小。
Note:
为了对系统数据进行备份,我们将使用STL函数对文件进行删除。一个简单的拼写错误就可能会删除很多并不想删除的文件。
包含必要的头文件,并声明所使用的命名空间:
#include <iostream>
#include <fstream>
#include <unordered_map>
#include <filesystem>
using namespace std;
using namespace filesystem;
为了查找重复的文件,我们将构造一个哈希表,并对将文件哈希值与其第一次产生的地址相对应。最好的方式就是通过哈希算法,对文件计算出一个MD5或SHA码。为了保证例子的简洁,我们将会把文件读入一个字符串中,然后使用
hash
函数计算出对应的哈希值:static size_t hash_from_path(const path &p)
{
ifstream is {p.c_str(),
ios::in | ios::binary};
if (!is) { throw errno; }
string s;
is.seekg(0, ios::end);
s.reserve(is.tellg());
is.seekg(0, ios::beg);
s.assign(istreambuf_iterator<char>{is}, {});
return hash<string>{}(s);
}
然后,我们会实现一个哈希表,并且删除重复的文件。其会对当前文件夹和其子文件夹进行遍历:
static size_t reduce_dupes(const path &dir)
{
unordered_map<size_t, path> m;
size_t count {0};
for (const auto &entry :
recursive_directory_iterator{dir}) {
对于每个文件入口,我们都会进行检查,当其是文件夹时就会跳过。对于每一个文件,我们都会产生一个哈希值,并且尝试将其插入哈希表中。当哈希表已经包含有相同的哈希值,这也就意味着有文件重复了。并且插入操作会终止,
try_emplace
所返回的第二个值就是false:const path p {entry.path()};
if (is_directory(p)) { continue; }
const auto &[it, success] =
m.try_emplace(hash_from_path(p), p);
try_emplace
的返回值将告诉我们,该键是否是第一次插入的。这样我们就能找到重复的,并告诉用户文件有重复的,并将重复的进行删除。删除之后,我们将为重复的文件创建符号链接:if (!success) {
cout << "Removed " << p.c_str()
<< " because it is a duplicate of "
<< it->second.c_str() << '\n';
remove(p);
create_symlink(absolute(it->second), p);
++count;
}
对文件系统进行插入后,我们将会返回重复文件的数量:
}
return count;
}
主函数中,我们会对用户在命令行中提供的目录进行检查。
int main(int argc, char *argv[])
{
if (argc != 2) {
cout << "Usage: " << argv[0] << " <path>\n";
return 1;
}
path dir {argv[1]};
if (!exists(dir)) {
cout << "Path " << dir << " does not exist.\n";
return 1;
}
现在我们只需要对
reduce_dupes
进行调用,并打印出有多少文件被删除了:const size_t dupes {reduce_dupes(dir)};
cout << "Removed " << dupes << " duplicates.\n";
}
编译并运行程序,输出中有一些看起来比较复杂的文件。程序执行之后,我会使用
du
工具来检查文件夹的大小,并证明这种方法是有效的。$ du -sh dupe_dir
1.1Mdupe_dir
$ ./dupe_compress dupe_dir
Removed dupe_dir/dir2/bar.jpg because it is a duplicate of
dupe_dir/dir1/bar.jpg
Removed dupe_dir/dir2/base10.png because it is a duplicate of
dupe_dir/dir1/base10.png
Removed dupe_dir/dir2/baz.jpeg because it is a duplicate of
dupe_dir/dir1/baz.jpeg
Removed dupe_dir/dir2/feed_fish.jpg because it is a duplicate of
dupe_dir/dir1/feed_fish.jpg
Removed dupe_dir/dir2/foo.jpg because it is a duplicate of
dupe_dir/dir1/foo.jpg
Removed dupe_dir/dir2/fox.jpg because it is a duplicate of
dupe_dir/dir1/fox.jpg
Removed 6 duplicates.
$ du -sh dupe_dir
584Kdupe_dir
How it works…
使用create_symlink
函数在文件系统中链接一个文件,指向另一个地方。这样就能避免重复的文件出现,也可以使用create_hard_link
设置一些硬链接。硬链接和软连接相比,有不同的技术含义。有些格式的文件系统可能不支持硬链接,或者是使用一定数量的硬链接,指向相同的文件。另一个问题就是,硬链接没有办法让两个文件系统进行链接。
不过,除开实现细节,使用create_symlink
或create_hard_link
时,会出现一个明显的错误。下面的几行代码中就有一个bug。你能很快的找到它吗?
path a {"some_dir/some_file.txt"};
path b {"other_dir/other_file.txt"};
remove(b);
create_symlink(a, b);
在程序执行的时候,不会发生任何问题,不过符号链接将失效。符号链接将错误的指向some_dir/some_file.txt
。正确指向的地址应该是/absolute/path/some_dir/some_file.txt
或../some_dir/some_file.txt
。create_symlink
使用正确的绝对地址,可以使用如下写法:
create_symlink(absolute(a), b);
Note:
create_symlink
不会对链接进行检查
There’s more…
可以看到,哈希函数非常简单。为了让程序没有多余的依赖,我们采用了这种方式。
我们的哈希函数有什么问题呢?有两个问题:
- 会将一个文件完全读入到字符串中。如果对于很大的文件来说,这将是一场灾难。
- C++ 中的哈希函数
hash<string>
可能不是这样使用的。
要寻找一个更好的哈希函数时,我们需要找一个快速、内存友好、简单的,并且保证不同的文件具有不同的哈希值,最后一个需求可能是最关键的。因为我们使用哈希值了判断两个文件是否一致,当我们认为两个文件一致时,但哈希值不一样,就能肯定有数据受到了损失。
比较好的哈希算法有MD5和SHA(有变体)。为了让我们程序使用这样的函数,可能需要使用OpenSSL中的密码学API。