#!/usr/bin/env python
#-*- coding:utf-8 -*-
import sys, os
import md5
destPath = r'h:\路径A\测试'
srcPath = r'h:\路径B\测试'
rstPath = r'h:\路径C\rst.txt'
#----------------------------------------------------------------------
def find_all_files(path):
'''
'''
print '\r\r'
files = os.listdir(path.decode('utf8'))
fileslist = []
for ff in files:
ffPath = path + '\\' + ff
print ffPath,
if os.path.isfile(ffPath):
fileslist.append(ffPath)
print 'file'
elif os.path.isdir(ffPath):
print 'dir'
fileslist += find_all_files(ffPath)
else:
print 'parse error!', '\t', ffPath
return fileslist
#----------------------------------------------------------------------
def md5_list(path):
'''
'''
filesList = find_all_files(path)
filesMd5 = {}
for ff in filesList:
try:
fp = open(ff, 'rb')
m = md5.md5()
strRead = ""
while True:
strRead = fp.read(8096)
if not strRead:
break
m.update(strRead)
strMd5 = m.hexdigest()
filesMd5[strMd5] = ff
fp.close()
except Exception, ex:
print ex
fp.close()
return filesMd5
if __name__=='__main__':
reload(sys)
sys.setdefaultencoding('utf-8')
print 'Begin.......'
srcFilesMd5 = md5_list(srcPath)
destFilesMd5 = md5_list(destPath)
rst = ''
for key in srcFilesMd5.keys():
if key not in destFilesMd5.keys():
fileName = srcFilesMd5[key]
rst = rst + fileName.encode('utf8') + '\r'
fp = open(rstPath, 'w')
fp.write(rst)
fp.close()
print '\nRun Over......'
此脚本能根据文件内容,从一个文件夹下找出不重复于另一个文件夹下的文件,并把结果记录在rstPath里。
编写该脚本过程中遇到最大问题竟然是路径中的中文问题。以前也遇到过中文问题,但是都没有彻底搞清楚,只是试探的用decode()或encode()去解决。这次总算了解个大概,并总结出了一点经验。
首先要明白的是,python里面默认的字符串都是ASCII编码,是string类型,ASCII编码处理中文字符是会出问题的。python的内部编码格式是unicode,在字符串前加‘u’前缀也可直接声明unicode字符串,如 u'hello'就是unicode类型。
如果处理的字符串中出现非ascii码表示的字符,要想不出错,就得转成unicode编码了。具体的方法有:
decode(),将其他边编码的字符串转换成unicode编码,如str1.decode('gb2312'),表示将gb2312编码的字符串str1转换成unicode编码;
encode(),将unicode编码转换成其他编码的字符串,如str2.encode('gb2312'),表示将unicode编码的字符串str2转换成gb2312编码;
unicode(),同decode(),将其他编码的字符串转换成unicode编码,如unicode(str3, 'gb2312'),表示将gb2312编码的字符串str3转换成unicode编码。
转码的时候一定要先搞明白字符串str是什么编码,然后decode成unicode,最后再encode成其他编码。
另外,对一个unicode编码的字符串在进行解码会出错,所以在编码未知的情况下要先判断其编码方式是否为unicode,可以用isinstance(str, unicode)。
不仅是中文,以后处理含非ascii编码的字符串时,都可以遵循以下步骤:
1、确定源字符的编码格式,假设是utf8;
2、使用unicode()或decode()转换成unicode编码,如str1.decode('utf8'),或者unicode(str1, 'utf8');
3、把处理后字符串用encode()编码成指定格式。