进退两男
近期有一个需求：获取多个文件 md5 校验和判断是否存在重复文件，因为文件数量较多，有的文件还比较大，需要处理的文件还没有到位，我就考虑了一下效率的问题。
目前我已知的 golang 中获取 md5 校验和的方法有两个
这里直接给出实现源码。
package main
import (
"crypto/md5"
"flag"
"fmt"
"io"
"io/ioutil"
"os"
)
var which = flag.bool("which", true, "")
var path = flag.string("path", "", "")
var cnt = flag.int("cnt", 100, "")
func aaa() {
f, err := os.open(*path)
if err != nil {
fmt.println("open", err)
return
}
defer f.close()
body, err := ioutil.readall(f)
if err != nil {
fmt.println("readall", err)
return
}
md5.sum(body)
//fmt.printf("%x\n", md5.sum(body))
}
func bbb() {
f, err := os.open(*path)
if err != nil {
fmt.println("open", err)
return
}
defer f.close()
md5hash := md5.new()
if _, err := io.copy(md5hash, f); err != nil {
fmt.println("copy", err)
return
}
md5hash.sum(nil)
//fmt.printf("%x\n", md5hash.sum(nil))
}
func main() {
flag.parse()
for i := 0; i < *cnt; i++ {
if *which {
aaa()
} else {
bbb()
}
}
}
还有可供参考的获取 md5 校验和的 shell 命令
md5 -- calculate a message-digest fingerprint (checksum) for a file md5 [-pqrtx] [-s string] [file ...]
测试文件是公司项目的日志文件
banjakukutekiimac:shell panshiqu$ ls -an | grep by -rw-r--r-- 1 501 20 7285957 11 17 16:14 by.out banjakukutekiimac:shell panshiqu$ cp by.out by2.out banjakukutekiimac:shell panshiqu$ cat by.out >> by2.out banjakukutekiimac:shell panshiqu$ ls -an | grep by -rw-r--r-- 1 501 20 7285957 11 17 16:14 by.out -rw-r--r-- 1 501 20 14571914 11 17 17:03 by2.out
下面效率展示
banjakukutekiimac:shell panshiqu$ time ./gomd5 -cnt=1 -which=true -path="by.out" real 0m0.027s user 0m0.017s sys 0m0.012s banjakukutekiimac:shell panshiqu$ time ./gomd5 -cnt=1 -which=true -path="by2.out" real 0m0.048s user 0m0.033s sys 0m0.018s banjakukutekiimac:shell panshiqu$ time ./gomd5 -cnt=1 -which=false -path="by.out" real 0m0.018s user 0m0.012s sys 0m0.004s banjakukutekiimac:shell panshiqu$ time ./gomd5 -cnt=1 -which=false -path="by2.out" real 0m0.031s user 0m0.024s sys 0m0.005s banjakukutekiimac:shell panshiqu$ time md5 by.out md5 (by.out) = 9d79e19a00cef1ae1bb6518ca4adf9de real 0m0.023s user 0m0.019s sys 0m0.006s banjakukutekiimac:shell panshiqu$ time md5 by2.out md5 (by2.out) = 0a029a460a20e8dcb00d032d6fab74c6 real 0m0.042s user 0m0.037s sys 0m0.009s
总结：
不管什么方法都会随着文件变大时间会变长，上面的例子大约都是2倍
io.copy 方法效率最高，建议大家这样使用
补充：go语言：md5计算方法的效率研究
研究了一下go的md5计算方法，目前来看，效率最高运行最快的写法是调用md5.sum()函数返回16字节checksum，然后把每个字节的高4位和低4位分别映射成16进制字符存到两个字节里，得到32字节，再转成字符串。
fastmd5较其它算法效率提高了至少46%以上。
const hextable = "0123456789abcdef"
//作者: pengpengzhou
func fastmd5(str string) string {
src := md5.sum([]byte(str))
var dst = make([]byte, 32)
j := 0
for _, v := range src {
dst[j] = hextable[v>>4]
dst[j+1] = hextable[v&0x0f]
j += 2
}
return string(dst)
}
go test benchmark测试结果：
goos: linux goarch: amd64 pkg: example benchmarkfastmd5-4 5564898 205 ns/op benchmarkv1-4 3461698 379 ns/op benchmarkv2-4 2277235 516 ns/op benchmarkv3-4 2158122 527 ns/op pass ok example 6.440s
详细代码如下：
package main
import (
"crypto/md5"
"encoding/hex"
"fmt"
"io"
)
const hextable = "0123456789abcdef"
func fastmd5(str string) string {
src := md5.sum([]byte(str))
var dst = make([]byte, 32)
j := 0
for _, v := range src {
dst[j] = hextable[v>>4]
dst[j+1] = hextable[v&0x0f]
j += 2
}
return string(dst)
}
func md5v1(str string) string {
h := md5.new()
h.write([]byte(str))
return hex.encodetostring(h.sum(nil))
}
func md5v2(str string) string {
data := []byte(str)
has := md5.sum(data)
md5str := fmt.sprintf("%x", has)
return md5str
}
func md5v3(str string) string {
w := md5.new()
io.writestring(w, str)
md5str := fmt.sprintf("%x", w.sum(nil))
return md5str
}
func main() {
str := "中文"
fmt.println(fastmd5(str))
fmt.println(md5v1(str))
fmt.println(md5v2(str))
fmt.println(md5v3(str))
}
package main
import (
"testing"
)
var str = "golang中文教程"
func benchmarkfastmd5(b *testing.b) {
for i := 0; i < b.n; i++ {
fastmd5(str)
}
}
func benchmarkv1(b *testing.b) {
for i := 0; i < b.n; i++ {
md5v1(str)
}
}
func benchmarkv2(b *testing.b) {
for i := 0; i < b.n; i++ {
md5v2(str)
}
}
func benchmarkv3(b *testing.b) {
for i := 0; i < b.n; i++ {
md5v3(str)
}
}
以上为个人经验，希望能给大家一个参考，也希望大家多多支持。如有错误或未考虑完全的地方，望不吝赐教。
