使用python删除本地夹里重复的文件

上次的博文主要说了从网上下载图片，于是我把整个笑话网站的图片都拔下来了，但是在拔取的图片中有很多重复的，比如说页面的其他图片、重复发布的图片等等。所以我又找了python的一些方法，写了一个脚本可以删除指定文件夹里重复的图片

一：方法和思路

1.比对文件是否相同的方法：hashlib库里提供了获取文件md5值的方法，所以我们可以通过md5值来判定是否图片相同

2.对文件的操作：os库里有对文件的操作方法，比如：os.remove（）可以删除指定的文件， os.listdir()可以通过指定文件夹路径获取文件夹里所有文件的文件名

思路：通过获取指定文件夹的所有文件名，然后匹配为一个绝对路径的列表，循环的比对每个文件的md5值，如果md5值重复，则删除这个文件

二：代码实现

import os
import hashlib
import logging
import sys

def logger():
    """ 获取logger"""
    logger = logging.getLogger()
    if not logger.handlers:
        # 指定logger输出格式
        formatter = logging.Formatter('%(asctime)s %(levelname)-8s: %(message)s')
        # 文件日志
        file_handler = logging.FileHandler("test.log")
        file_handler.setFormatter(formatter)  # 可以通过setFormatter指定输出格式
        # 控制台日志
        console_handler = logging.StreamHandler(sys.stdout)
        console_handler.formatter = formatter  # 也可以直接给formatter赋值
        # 为logger添加的日志处理器
        logger.addHandler(file_handler)
        logger.addHandler(console_handler)
        # 指定日志的最低输出级别，默认为WARN级别
        logger.setLevel(logging.INFO)
    return logger

def get_md5(filename):
    m = hashlib.md5()
    mfile = open(filename, "rb")
    m.update(mfile.read())
    mfile.close()
    md5_value = m.hexdigest()
    return md5_value

def get_urllist():
    #替换指定的文件夹路径即可
    base = ("F:\\pythonFile\\煎蛋网\\无聊图\\jpg\\")
    list = os.listdir(base)
    urlList=[]
    for i in list:
        url = base + i
        urlList.append(url)
    return  urlList

if __name__ == '__main__':
    log = logger()
    md5List =[]
    urlList =get_urllist()
    for a in urlList:
        md5 =get_md5(a)
        if (md5 in md5List):
            os.remove(a)
            print("重复：%s"%a)
            log.info("重复：%s"%a)
        else:
            md5List.append(md5)
            # print(md5List)
            print("一共%s张照片"%len(md5List))

然后我们可以通过日志来查看到底哪些文件是重复的，不过对于一些超大文件的话，md5值的获取会有一些变化，不过处理一般的小文件都可以的，只需要替换我的路径，就可以在你电脑上运行啦