A maneira mais rápida de saber se dois arquivos têm o mesmo conteúdo no Unix / Linux?

Eu tenho um script de shell no qual preciso verificar se dois arquivos contêm os mesmos dados ou não. Faço isso para muitos arquivos e, no meu script, o diffcomando parece ser o gargalo de desempenho.

Aqui está a linha:

diff -q $dst $new > /dev/null

if ($status) then ...

Poderia haver uma maneira mais rápida de comparar os arquivos, talvez um algoritmo personalizado em vez do padrão diff?

Acredito que cmpirá parar na primeira diferença de bytes:

cmp --silent $old $new || echo "files are different"

Eu gosto de @Alex Howansky ter usado 'cmp --silent' para isso. Mas eu preciso de respostas positivas e negativas, então eu uso:

cmp --silent file1 file2 && echo '### SUCCESS: Files Are Identical! ###' || echo '### WARNING: Files Are Different! ###'

Posso então executar isso no terminal ou com um ssh para verificar os arquivos em um arquivo constante.

Por que você não obtém o hash do conteúdo dos dois arquivos?

Experimente esse script, chame-o, por exemplo, script.sh e execute-o da seguinte maneira: script.sh file1.txt file2.txt

#!/bin/bash

file1=`md5 $1`
file2=`md5 $2`

if [ "$file1" = "$file2" ]
then
    echo "Files have the same content"
else
    echo "Files have NOT the same content"
fi

Como sou péssima e não tenho pontos de reputação suficientes, não posso adicionar esse detalhe como comentário.

Mas, se você for usar o cmpcomando (e não precisar / quiser ser detalhado), basta pegar o status de saída. Pela cmppágina do manual:

Se um ARQUIVO estiver '-' ou ausente, leia a entrada padrão. O status de saída é 0 se as entradas forem iguais, 1 se diferente, 2 se houver problema.

Então, você poderia fazer algo como:

STATUS="$(cmp --silent $FILE1 $FILE2; echo $?)"  # "$?" gives exit status for each comparison

if [[$STATUS -ne 0]]; then  # if status isn't equal to 0, then execute code
    DO A COMMAND ON $FILE1
else
    DO SOMETHING ELSE
fi

Para arquivos que não são diferentes, qualquer método exigirá a leitura completa dos dois arquivos, mesmo que a leitura tenha sido no passado.

Não ha alternativa. Portanto, criar hashes ou somas de verificação em algum momento requer a leitura de todo o arquivo. Arquivos grandes levam tempo.

A recuperação de metadados do arquivo é muito mais rápida que a leitura de um arquivo grande.

Portanto, existem metadados de arquivo que você pode usar para estabelecer que os arquivos são diferentes? Tamanho do arquivo ? ou até mesmo resultados do comando file, que lê apenas uma pequena parte do arquivo?

Fragmento de código de exemplo de tamanho de arquivo:

  ls -l $1 $2 | 
  awk 'NR==1{a=$5} NR==2{b=$5} 
       END{val=(a==b)?0 :1; exit( val) }'

[ $? -eq 0 ] && echo 'same' || echo 'different'  

Se os arquivos forem do mesmo tamanho, você ficará com as leituras completas do arquivo.

Tente também usar o comando cksum:

chk1=`cksum <file1> | awk -F" " '{print $1}'`
chk2=`cksum <file2> | awk -F" " '{print $1}'`

if [ $chk1 -eq $chk2 ]
then
  echo "File is identical"
else
  echo "File is not identical"
fi

O comando cksum produzirá a contagem de bytes de um arquivo. Veja 'man cksum'.

Fazendo alguns testes com um Raspberry Pi 3B + (estou usando um sistema de arquivos de sobreposição e preciso sincronizar periodicamente), fiz uma comparação própria para diff -q e cmp -s; observe que este é um log de dentro de / dev / shm, portanto a velocidade de acesso ao disco não é um problema:

[root@mypi shm]# dd if=/dev/urandom of=test.file bs=1M count=100 ; time diff -q test.file test.copy && echo diff true || echo diff false ; time cmp -s test.file test.copy && echo cmp true || echo cmp false ; cp -a test.file test.copy ; time diff -q test.file test.copy && echo diff true || echo diff false; time cmp -s test.file test.copy && echo cmp true || echo cmp false
100+0 records in
100+0 records out
104857600 bytes (105 MB) copied, 6.2564 s, 16.8 MB/s
Files test.file and test.copy differ

real    0m0.008s
user    0m0.008s
sys     0m0.000s
diff false

real    0m0.009s
user    0m0.007s
sys     0m0.001s
cmp false
cp: overwrite âtest.copyâ? y

real    0m0.966s
user    0m0.447s
sys     0m0.518s
diff true

real    0m0.785s
user    0m0.211s
sys     0m0.573s
cmp true
[root@mypi shm]# pico /root/rwbscripts/utils/squish.sh

Eu o executei algumas vezes. O cmp -s consistentemente teve tempos um pouco mais curtos na caixa de teste que eu estava usando. Então, se você quiser usar cmp -s para fazer coisas entre dois arquivos ...

identical (){
  echo "$1" and "$2" are the same.
  echo This is a function, you can put whatever you want in here.
}
different () {
  echo "$1" and "$2" are different.
  echo This is a function, you can put whatever you want in here, too.
}
cmp -s "$FILEA" "$FILEB" && identical "$FILEA" "$FILEB" || different "$FILEA" "$FILEB"