在Python中获取大文件的MD5哈希值

Get MD5 hash of big files in Python

我使用了hashlib(它取代了Python 2.6 / 3.0中的md5),如果我打开一个文件并将其内容放在hashlib.md5()函数中,它工作正常。

问题在于非常大的文件,它们的大小可能超过RAM大小。

如何在不将整个文件加载到内存的情况下获取文件的MD5哈希值?


您需要以合适大小的块读取文件:

1
2
3
4
5
6
7
8
def md5_for_file(f, block_size=2**20):
    md5 = hashlib.md5()
    while True:
        data = f.read(block_size)
        if not data:
            break
        md5.update(data)
    return md5.digest()

注意:确保打开文件时将"rb"打开 - 否则会得到错误的结果。

所以要用一种方法完成所有操作 - 使用类似的东西:

1
2
3
4
5
6
7
8
9
def generate_file_md5(rootdir, filename, blocksize=2**20):
    m = hashlib.md5()
    with open( os.path.join(rootdir, filename) ,"rb" ) as f:
        while True:
            buf = f.read(blocksize)
            if not buf:
                break
            m.update( buf )
    return m.hexdigest()

上面的更新是基于Frerich Raabe提供的评论 - 我测试了这一点并发现它在我的Python 2.7.2 Windows安装上是正确的

我使用'jacksum'工具交叉检查结果。

1
jacksum -a md5 <filename>

http://www.jonelo.de/java/jacksum/


将文件分成128个字节的块,然后使用update()连续将它们送入MD5。

这利用了MD5具有128字节摘要块的事实。基本上,当MD5 digest() s文件时,这正是它正在做的事情。

如果确保在每次迭代时释放内存(即不将整个文件读取到内存中),则不应超过128个字节的内存。

一个例子是像这样读取块:

1
2
3
f = open(fileName)
while not endOfFile:
    f.read(128)


如果您关心更多pythonic(没有'while True')阅读文件的方式,请检查以下代码:

1
2
3
4
5
6
7
8
import hashlib

def checksum_md5(filename):
    md5 = hashlib.md5()
    with open(filename,'rb') as f:
        for chunk in iter(lambda: f.read(8192), b''):
            md5.update(chunk)
    return md5.digest()

请注意,iter()func需要一个空的字节字符串,以便返回的迭代器在EOF处停止,因为read()返回b''(不仅仅是'')。


这是我的@Piotr Czapla方法的版本:

1
2
3
4
5
6
def md5sum(filename):
    md5 = hashlib.md5()
    with open(filename, 'rb') as f:
        for chunk in iter(lambda: f.read(128 * md5.block_size), b''):
            md5.update(chunk)
    return md5.hexdigest()

在这个帖子中使用多个评论/答案,这是我的解决方案:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
import hashlib
def md5_for_file(path, block_size=256*128, hr=False):
    '''
    Block size directly depends on the block size of your filesystem
    to avoid performances issues
    Here I have blocks of 4096 octets (Default NTFS)
    '''

    md5 = hashlib.md5()
    with open(path,'rb') as f:
        for chunk in iter(lambda: f.read(block_size), b''):
             md5.update(chunk)
    if hr:
        return md5.hexdigest()
    return md5.digest()
  • 这是"pythonic"
  • 这是一个功能
  • 它避免了隐含的值:总是更喜欢显式值。
  • 它允许(非常重要的)性能优化

最后,

- 这是由社区建立的,感谢您的建议/想法。


Python 2/3便携式解决方案

要计算校验和(md5,sha1等),必须以二进制模式打开文件,因为您将对字节值求和:

要成为py27 / py3便携式,你应该使用io包,如下所示:

1
2
3
4
5
6
7
8
9
10
import hashlib
import io


def md5sum(src):
    md5 = hashlib.md5()
    with io.open(src, mode="rb") as fd:
        content = fd.read()
        md5.update(content)
    return md5

如果您的文件很大,您可能更喜欢按块读取文件,以避免将整个文件内容存储在内存中:

1
2
3
4
5
6
def md5sum(src, length=io.DEFAULT_BUFFER_SIZE):
    md5 = hashlib.md5()
    with io.open(src, mode="rb") as fd:
        for chunk in iter(lambda: fd.read(length), b''):
            md5.update(chunk)
    return md5

这里的技巧是使用带有sentinel的iter()函数(空字符串)。

The iterator created in this case will call o [the lambda function] with no arguments for each call to its next() method; if the value returned is equal to sentinel, StopIteration will be raised, otherwise the value will be returned.

如果您的文件非常大,您可能还需要显示进度信息。您可以通过调用打印或记录计算字节数量的回调函数来实现:

1
2
3
4
5
6
7
8
9
def md5sum(src, callback, length=io.DEFAULT_BUFFER_SIZE):
    calculated = 0
    md5 = hashlib.md5()
    with io.open(src, mode="rb") as fd:
        for chunk in iter(lambda: fd.read(length), b''):
            md5.update(chunk)
            calculated += len(chunk)
            callback(calculated)
    return md5


Bastien Semene代码的重新混合,考虑了Hawkwing关于泛型散列函数的评论......

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
def hash_for_file(path, algorithm=hashlib.algorithms[0], block_size=256*128, human_readable=True):
   """
    Block size directly depends on the block size of your filesystem
    to avoid performances issues
    Here I have blocks of 4096 octets (Default NTFS)

    Linux Ext4 block size
    sudo tune2fs -l /dev/sda5 | grep -i 'block size'
    > Block size:               4096

    Input:
        path: a path
        algorithm: an algorithm in hashlib.algorithms
                   ATM: ('md5', 'sha1', 'sha224', 'sha256', 'sha384', 'sha512')
        block_size: a multiple of 128 corresponding to the block size of your filesystem
        human_readable: switch between digest() or hexdigest() output, default hexdigest()
    Output:
        hash
   """

    if algorithm not in hashlib.algorithms:
        raise NameError('The algorithm"{algorithm}" you specified is '
                        'not a member of"hashlib.algorithms"'.format(algorithm=algorithm))

    hash_algo = hashlib.new(algorithm)  # According to hashlib documentation using new()
                                        # will be slower then calling using named
                                        # constructors, ex.: hashlib.md5()
    with open(path, 'rb') as f:
        for chunk in iter(lambda: f.read(block_size), b''):
             hash_algo.update(chunk)
    if human_readable:
        file_hash = hash_algo.hexdigest()
    else:
        file_hash = hash_algo.digest()
    return file_hash

如果没有阅读完整内容,你就无法获得它的md5。但你可以使用更新功能逐块读取文件内容。
m.update(一); m.update(b)相当于m.update(a + b)


我认为以下代码更pythonic:

1
2
3
4
5
6
7
8
from hashlib import md5

def get_md5(fname):
    m = md5()
    with open(fname, 'rb') as fp:
        for chunk in fp:
            m.update(chunk)
    return m.hexdigest()

我不喜欢循环。基于@Nathan Feger:

1
2
3
4
md5 = hashlib.md5()
with open(filename, 'rb') as f:
    functools.reduce(lambda _, c: md5.update(c), iter(lambda: f.read(md5.block_size * 128), b''), None)
md5.hexdigest()


为Django实现接受的答案:

1
2
3
4
5
6
7
8
9
10
11
12
import hashlib
from django.db import models


class MyModel(models.Model):
    file = models.FileField()  # any field based on django.core.files.File

    def get_hash(self):
        hash = hashlib.md5()
        for chunk in self.file.chunks(chunk_size=8192):
            hash.update(chunk)
        return hash.hexdigest()


1
2
3
4
5
6
7
8
9
import hashlib,re
opened = open('/home/parrot/pass.txt','r')
opened = open.readlines()
for i in opened:
    strip1 = i.strip('
'
)
    hash_object = hashlib.md5(strip1.encode())
    hash2 = hash_object.hexdigest()
    print hash2


我不确定周围是不是有太多的烦恼。我最近遇到了md5和在MySQL上存储为blob的文件的问题所以我尝试了各种文件大小和简单的Python方法,即:

1
FileHash=hashlib.md5(FileData).hexdigest()

我发现在2Kb到20Mb的文件大小范围内没有明显的性能差异,因此无需"散列"散列。无论如何,如果Linux必须转向磁盘,它可能至少与普通程序员保持这样做的能力一样。碰巧的是,问题与md5无关。如果您正在使用MySQL,请不要忘记已存在的md5()和sha1()函数。