609 在系统中查找重复文件（哈希表）

1. 问题描述：

给定一个目录信息列表，包括目录路径，以及该目录中的所有包含内容的文件，您需要找到文件系统中的所有重复文件组的路径。一组重复的文件至少包括二个具有完全相同内容的文件。输入列表中的单个目录信息字符串的格式如下：
"root/d1/d2/.../dm f1.txt(f1_content) f2.txt(f2_content) ... fn.txt(fn_content)"
这意味着有 n 个文件（f1.txt, f2.txt ... fn.txt 的内容分别是 f1_content, f2_content ... fn_content）在目录 root/d1/d2/.../dm 下。注意：n>=1 且 m>=0。如果 m=0，则表示该目录是根目录。
该输出是重复文件路径组的列表。对于每个组，它包含具有相同内容的文件的所有文件路径。文件路径是具有下列格式的字符串：
"directory_path/file_name.txt"

示例 1：

输入：
["root/a 1.txt(abcd) 2.txt(efgh)", "root/c 3.txt(abcd)", "root/c/d 4.txt(efgh)", "root 4.txt(efgh)"]
输出：  
[["root/a/2.txt","root/c/d/4.txt","root/4.txt"],["root/a/1.txt","root/c/3.txt"]]
注：
最终输出不需要顺序。
您可以假设目录名、文件名和文件内容只有字母和数字，并且文件内容的长度在 [1，50] 的范围内。
给定的文件数量在 [1，20000] 个范围内。
您可以假设在同一目录中没有任何文件或目录共享相同的名称。
您可以假设每个给定的目录信息代表一个唯一的目录。目录路径和文件信息用一个空格分隔。
超越竞赛的后续行动：
假设您有一个真正的文件系统，您将如何搜索文件？广度搜索还是宽度搜索？如果文件内容非常大（GB级别），您将如何修改您的解决方案？如果每次只能读取 1 kb 的文件，您将如何修改解决方案？修改后的解决方案的时间复杂度是多少？其中最耗时的部分和消耗内存的部分是什么？如何优化？如何确保您发现的重复文件不是误报？
来源：力扣（LeetCode）
链接：https://leetcode-cn.com/problems/find-duplicate-file-in-system

2. 思路分析：

分析题目可以知道我们需要找到所有给出的目录中文件内容相同对应的文件路径，所以要求文件内容相同对应的文件路径是大于1的，我们可以使用哈希表来完成映射功能，键为文件内容，值为文件内容对应的文件路径，这样我们就完成了从文件内容到文件路径的映射，也即将所有文件内容相同的所有文件路径都记录下来了，最后我们遍历哈希表，将路径数目大于1的记录到答案中即可。

3. 代码如下：

from typing import List
import collections


class Solution:
    # 获取当前字符串s的文件名和文件内容
    def get(self, s: str):
        filename, content = "", ""
        i = 0
        while i < len(s) and s[i] != "(":
            filename += s[i]
            i += 1
        # 截取文件内容
        content = s[i + 1:len(s) - 1]
        return filename, content

    # 使用哈希表来维护相同文件内容的所有路径即可
    def findDuplicate(self, paths: List[str]) -> List[List[str]]:
        # 声明一个字典
        dic = collections.defaultdict(list)
        for p in paths:
            t = p.split()
            for i in range(1, len(t)):
                filename, content = self.get(t[i])
                # t[0]为文件名, 下面是拼接文件路径与文件名
                dic[content].append(t[0] + "/" + filename)
        # 遍历哈希表
        res = list()
        for k, v in dic.items():
            # 长度大于1说明多个文件的文件内容是相同的将路径添加到答案中即可
            if len(v) > 1:
                res.append(v)
        return res