Comecei escrevendo um script shell bash simples para encontrar arquivos duplicados em um determinado diretório usando SHA1 para detectar correspondências. Tudo funcionou até encontrar nomes de arquivos com espaços. A detecção ainda funciona, mas na saída os espaços são convertidos em avanços de linha.
O roteiro...
#!/bin/bash
export TARGET=$1
find $TARGET -type f -exec openssl sha1 \{\} \; > ./dupes.txt
COUNT=-1
for EVALUATION in `cat ./dupes.txt | sed 's/SHA1(\(.*\))\= \(.*\)$/\2 \1/' | awk '{print $1}' | sort | uniq -c | sort -nr`
do
if [[ $COUNT == -1 ]]
then
COUNT=$EVALUATION
else
HASH=$EVALUATION
if [[ $COUNT == 1 ]]
then
break
fi
echo "--- duplicate set ---"
for FILE in `grep $HASH ./dupes.txt | awk -F"[()]+" '{print $2}'`
do
echo "$FILE"
done
echo "---------------------"
COUNT=-1
fi
done
Execute o script como ...
./dupes.sh /home/dacracot/testDupes
Ele criará um arquivo dupes.txt parecido com...
SHA1(/home/dacracot/testDupes/lP3wj.jpg)= 324d91f412745481ed38aa184e5a56bfc3bf43b5
SHA1(/home/dacracot/testDupes/1673.gif)= 9c4029ec2e310f202b413d685209373d234e5465
SHA1(/home/dacracot/testDupes/.DS_Store)= b0ae6631a1412863f958da64091f4050005bf8d6
SHA1(/home/dacracot/testDupes/tae 2.svg)= 3ddc4fd6ae505bd01f370d0a018ef1f84b4d8011
SHA1(/home/dacracot/testDupes/tae.graffle)= 77f1ad6d695d944abacfe3a7f196be77125b6ef6
SHA1(/home/dacracot/testDupes/tae.svg)= 3ddc4fd6ae505bd01f370d0a018ef1f84b4d8011
SHA1(/home/dacracot/testDupes/22402_graph.jpg)= 24e5a25c8abf322d424dd5ce2e5b77381cd001c4
SHA1(/home/dacracot/testDupes/forwardcont.jpg)= 981e75060ae8e3aad2fe741b944d97219c8ccbe5
SHA1(/home/dacracot/testDupes/tae.svg.gz)= 922af5a5adbf7a4e7fd234aac7bcee2986133c4d
SHA1(/home/dacracot/testDupes/Alt2012.pdf)= 97d1fd997df9eb310b30a371c53883f5227cf10a
SHA1(/home/dacracot/testDupes/vcBZ8.jpg)= 7553c19fcb6aa159aada2e38066b5ba84465ee57
SHA1(/home/dacracot/testDupes/derm.graffle)= 0e1c4032f5f1fadc3a1643b2b77f816011c2d67f
SHA1(/home/dacracot/testDupes/WA.png)= 0e2e77624c3a76da4816f116665a041f6bdced2d
SHA1(/home/dacracot/testDupes/DRAW.GIF)= 6a8e4a2bf413e84140a0edeb40b475a5d3e4c255
SHA1(/home/dacracot/testDupes/crazyTalk.gif)= 1d938bbcb8cf09f30492df4504a50348cef7ea9d
E finalmente uma saída que se parece com ...
--- duplicate set ---
/home/dacracot/testDupes/tae
2.svg
/home/dacracot/testDupes/tae.svg
---------------------
Mas como você pode ver no primeiro arquivo, a saída deve ser...
--- duplicate set ---
/home/dacracot/testDupes/tae 2.svg
/home/dacracot/testDupes/tae.svg
---------------------
O que está mudando o espaço para um avanço de linha?
Responder1
Posso fazer algumas modificações no seu script para simplificá-lo e também eliminar o seu problema?
Vejo que você está usando OpenSSL para calcular o hash SHA1 e, em seguida, analisando algumas saídas desnecessárias e classificando e iterando a lista de hashes. Você não especifica uma tag de sistema operacional em sua postagem, mas o uso de /bin/bash
sugere Linux, então por que não usar sha1sum
? Ele produz uma saída mais simples que é mais fácil de processar pelo seu script. (Leitores que usam BSD podem usar sha1 -r
para obter resultados equivalentes.)
#!/bin/bash
find "$1" -type f -exec sha1sum \{\} \; > dupes.txt
awk '{print $1}' < dupes.txt |
sort | uniq -c | sort -nr |
while read COUNT HASH; do
if [[ $COUNT == 1 ]]; then
break
else
echo "--- duplicate set ---"
grep "^$HASH " dupes.txt | sed -e "s/[^ ]* //"
echo "---------------------"
fi
done
Existem outras otimizações que podem ser feitas, como usar find
a opção ' -print0
e xargs
, mas esperamos que as revisões acima ajudem você a começar.