以前使用'网络蜘蛛'抓取了不少文件.但后来发现这些文件中有很多是内容完全相同的,如何只保留一份内容相同的文件而把其它相同的去除掉哪?我使用了linux shell脚本处理这个问题:
for file in * #遍历文件
do
if ! [ -f "$file" ] #如果文件存在的话,因为有的文件可能被剔除了.
then
echo $file" not exist"
else
for i in *
do
if [ "$file" != "$i" ] #如果文件名不同
then
if cmp -s $file $i
then
mv $i ../same/
fi
fi
done
mv $file ../unique/
fi
done
我一共处理4000多个文件,运行的挺慢的,用了1天零2夜才处理完,我汗,竟剔出了近2000,我再汗.
为了提高效率,后来考虑只对文件大小相同的文件才进行比较.脚本如下:
for file in * #遍历文件
do
if ! [ -f "$file" ] #如果文件存在的话,因为有的文件可能被剔除了.
then
echo $file" not exist"
else
leno=`ls -l $file | awk '{print $5}'` #使用ls和awk提出文件大小
for i in *
do
leni=`ls -l $i | awk '{print $5}'`
if [ "$file" != "$i" -a "$leno" = "$leni" ] #如果文件名不同,并且文件大小相同
then
if cmp -s $file $i
then
mv $i ../same/
fi
fi
done
mv $file ../unique/
fi
done
找了一小部分文件测试了一下,速度竟比第一个还慢,可能是频繁调用ls和awk的问题.
先到此,如果有更好的办法,再作补充.
