shell脚本实现查找文件夹下重复的文件,并提供删除功能

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] = $2
}
END{
for(key in md5)
{
if(DEL==0) K++
n = split(md5[key], files, "*")
if(SLT==1 && n==1) continue
if(DEL==0)
printf("%-*s  %s\n", length(key), key, files
)
for(n-- ;n>0 ; n--)
{
K++
if(DEL==0)
printf("%-*s  %s\n", length(key), "", files
)
else
printf("\"%s\"\n", files
)
}
}
K = K>0 ? K : 0
print "Total: " K " files"
}' |
tee >(
if [ "$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 > ( ... )。