Como remover arquivos duplicados usando o bash

Question

Eu tenho uma pasta com arquivos duplicados (por md5sum ( md5 em um Mac)), e eu quero ter uma <-href="/ questions / tagged / cron" class="post-tag" title="mostre perguntas marcadas 'cron'"> cron trabalho agendado para remover qualquer encontrado.

No entanto, estou preso em como fazer isso. O que eu tenho até agora:

md5 -r * | sort

Qual saída é algo assim:

04c5d52b7acdfbecd5f3bdd8a39bf8fb gordondam_en-au11915031300_1366x768.jpg
1e88c6899920d2c192897c886e764fc2 fortbourtange_zh-cn9788197909_1366x768.jpg
266ea304b15bf4a5650f95cf385b16de nebraskasupercell_fr-fr11286079811_1366x768.jpg
324735b755c40d332213899fa545c463 grossescheidegg_en-us10868142387_1366x768.jpg
3993028fcea692328e097de50b26f540 Soyuz Spacecraft Rolled Out For Launch of One Year Crew.png
677bcd6006a305f4601bfb27699403b0 lechaustria_zh-cn7190263094_1366x768.jpg
80d03451b88ec29bff7d48f292a25ce6 ontariosunrise_en-ca10284703762_1366x768.jpg
b6d9d24531bc62d2a26244d24624c4b1 manateeday_row10617199289_1366x768.jpg
ca1486dbdb31ef6af83e5a40809ec561 Grueling Coursework.jpg
cdf26393577ac2a61b6ce85d22daed24 Star trails over Mauna Kea.jpg
dc3ad6658d8f8155c74054991910f39c smoocave_en-au10358472670_1366x768.jpg
dc3ad6658d8f8155c74054991910f39c smoocave_en-au10358472670_1366x7682.jpg

Como posso processar com base no MD5 do arquivo para remover duplicatas? Eu realmente não me importo qual "original" eu mantenho - mas eu só quero manter um.

Eu deveria estar me aproximando disso de uma maneira diferente?

    

Answer 1

Estou trabalhando no Linux, o que significa que é o comando md5sum que gera:

> md5sum *
d41d8cd98f00b204e9800998ecf8427e  file_1
d41d8cd98f00b204e9800998ecf8427e  file_10
d41d8cd98f00b204e9800998ecf8427e  file_2
d41d8cd98f00b204e9800998ecf8427e  file_3
d41d8cd98f00b204e9800998ecf8427e  file_4
d41d8cd98f00b204e9800998ecf8427e  file_5
d41d8cd98f00b204e9800998ecf8427e  file_6
d41d8cd98f00b204e9800998ecf8427e  file_7
d41d8cd98f00b204e9800998ecf8427e  file_8
d41d8cd98f00b204e9800998ecf8427e  file_9
b026324c6904b2a9cb4b88d6d61c81d1  other_file_1
31d30eea8d0968d6458e0ad0027c9f80  other_file_10
26ab0db90d72e28ad0ba1e22ee510510  other_file_2
6d7fce9fee471194aa8b5b6e47267f03  other_file_3
48a24b70a0b376535542b996af517398  other_file_4
1dcca23355272056f04fe8bf20edfce0  other_file_5
9ae0ea9e3c9c6e1b9b6252c8395efdc1  other_file_6
84bc3da1b3e33a18e8d5e1bdd7a18d7a  other_file_7
c30f7472766d25af1dc80b3ffc9a58c7  other_file_8
7c5aba41f53293b712fd86d08ed5b36e  other_file_9

Agora, usando awk e xargs , o comando seria:

md5sum * | \
sort | \
awk 'BEGIN{lasthash = ""} $1 == lasthash {print $2} {lasthash = $1}' | \
xargs rm

A parte awk inicializa lasthash com a cadeia vazia, que não corresponderá a nenhum hash, e então verificará cada linha se o hash em lasthash for o mesmo que o hash (primeira coluna) da corrente arquivo (segunda coluna). Se for, imprima. No final de cada etapa, será definido lasthash para o hash do arquivo atual (você pode limitar isso somente para ser definido se os hashes forem diferentes, mas isso deve ser uma coisa menor, especialmente se você não tiver muitos arquivos correspondentes ). Os nomes dos arquivos que o awk cospe são enviados para rm com xargs , que basicamente chama rm com o que a awk parte nos dá.

Você provavelmente precisará filtrar diretórios antes de md5sum * .

Editar:

Usando o método Marcins, você também pode usar este:

comm -1 -2 \
  <(ls) | \
  <(md5sum * | \
    sort -k1 | \
    uniq -w 32 | \
    awk '{print $2}' | \
    sort) \
xargs rm

Este sub-resumo da lista de arquivos optou por ls do primeiro nome de arquivo de cada hash exclusivo optado por md5sum * | sort -k1 | uniq -w 32 | awk '{print $2}' .

    

Answer 2

Você pode identificar arquivos duplicados usando o seguinte comando:

md5sum * | sort -k1 | uniq -w 32 -d

    

Answer 3

Corri em fdupes como uma resposta a essa pergunta semelhante: link

Eu consegui apt-get install fdupes no Ubuntu. Você definitivamente vai querer ler a página do manual. No meu caso, consegui obter os resultados desejados da seguinte forma:

fdupes -qdN -r /ops/backup/

O que diz "olhe recursivamente através de / ops / backup e encontre todos os arquivos duplicados: mantenha a primeira cópia de qualquer arquivo e silenciosamente remova o restante." Isso torna muito fácil manter vários despejos de um banco de dados de gravação pouco frequente.