在Python中散列文件

Question

我想让python读取到EOF，这样我就可以得到一个合适的哈希值，无论是sha1还是md5。请帮忙。这是我到目前为止：

import hashlib

inputFile = raw_input("Enter the name of the file:")
openedFile = open(inputFile)
readFile = openedFile.read()

md5Hash = hashlib.md5(readFile)
md5Hashed = md5Hash.hexdigest()

sha1Hash = hashlib.sha1(readFile)
sha1Hashed = sha1Hash.hexdigest()

print "File Name: %s" % inputFile
print "MD5: %r" % md5Hashed
print "SHA1: %r" % sha1Hashed

Answer 1

TL; DR使用缓冲区不使用大量内存。

我相信，当我们考虑使用非常大的文件时的内存含义时，我们会遇到问题的症结。我们不希望这个坏男孩在2千兆字节的文件中流失，因为正如pasztorpisti指出的那样，我们必须处理那些更大的文件！

import sys
import hashlib

# BUF_SIZE is totally arbitrary, change for your app!
BUF_SIZE = 65536  # lets read stuff in 64kb chunks!

md5 = hashlib.md5()
sha1 = hashlib.sha1()

with open(sys.argv[1], 'rb') as f:
    while True:
        data = f.read(BUF_SIZE)
        if not data:
            break
        md5.update(data)
        sha1.update(data)

print("MD5: {0}".format(md5.hexdigest()))
print("SHA1: {0}".format(sha1.hexdigest()))

我们做的是我们用64kb块更新这个坏男孩的哈希值，因为我们一起使用hashlib的方便花花公子update method。通过这种方式，我们使用的内存比2gb要少得多，因为它可以同时散列这个人！

您可以使用以下方法测试：

$ mkfile 2g bigfile
$ python hashes.py bigfile
MD5: a981130cf2b7e09f4686dc273cf7187e
SHA1: 91d50642dd930e9542c39d36f0516d45f4e1af0d
$ md5 bigfile
MD5 (bigfile) = a981130cf2b7e09f4686dc273cf7187e
$ shasum bigfile
91d50642dd930e9542c39d36f0516d45f4e1af0d  bigfile

希望有所帮助！

所有这些都在右侧的相关问题中列出：Get MD5 hash of big files in Python

---

Addendum!

通常在编写python时，它有助于养成遵循pep-8的习惯。例如，在python中，变量通常是下划线而不是camelCased。但这只是风格，没有人真正关心那些除了那些必须阅读不良风格的人之外的东西......这可能是你从现在开始阅读这段代码。

Answer 2

为了正确有效地计算文件的哈希值（在Python 3中）：

• 以二进制模式打开文件（即将'b'添加到文件模式）以避免字符编码和行结束转换问题。
• 不要将完整的文件读入内存，因为这会浪费内存。相反，逐块顺序读取它并更新每个块的散列。
• 消除双缓冲，即不使用缓冲IO，因为我们已经使用了最佳块大小。
• 使用readinto()来避免缓冲液搅动。

例：

import hashlib

def sha256sum(filename):
    h  = hashlib.sha256()
    b  = bytearray(128*1024)
    mv = memoryview(b)
    with open(filename, 'rb', buffering=0) as f:
        for n in iter(lambda : f.readinto(mv), 0):
            h.update(mv[:n])
    return h.hexdigest()

Answer 3

以二进制模式打开文件，open()的默认模式是'r'，“在文本模式下打开”。在文本模式下，对数据执行换行转换，这也可能导致特定于平台的错误，但是由于文本模式可能发生的问题是'\ r \ n'序列被替换为'\ n'序列你会得到你的手。并非所有文件都包含'\ r \ n'序列，特别是在二进制文件的情况下，因此错误不会一直存在，并且很难捕获它。

openedFile = open(inputFile, 'rb')

这里还有一个小问题，你在一个大块中读取文件，通过在较小的几千字节块中读取它，你可以散列非常大的文件，即使它们不适合你的可用内存。

Answer 4

我编写了一个能够使用不同算法散列大文件的模块。

pip3 install py_essentials

使用这样的模块：

from py_essentials import hashing as hs
hash = hs.fileChecksum("path/to/the/file.txt", "sha256")

Answer 5

import hashlib
user = input("Enter ")
h = hashlib.md5(user.encode())
h2 = h.hexdigest()
with open("encrypted.txt","w") as e:
    print(h2,file=e)


with open("encrypted.txt","r") as e:
    p = e.readline().strip()
    print(p)

Answer 6

我建议简单地说：

def get_digest(file_path):
    h = hashlib.sha256()

    with open(file_path, 'rb') as file:
        while True:
            # Reading is buffered, so we can read smaller chunks.
            chunk = file.read(h.block_size)
            if not chunk:
                break
            h.update(chunk)

    return h.hexdigest()

这里的所有其他答案似乎都太复杂了。 Python在读取时已经缓冲（以理想的方式，或者如果您有关于底层存储的更多信息，则配置缓冲），因此最好以块的形式读取哈希函数找到理想的值，这样可以使其更快或更少CPU密集度计算哈希函数。因此，您不必禁用缓冲并尝试自己模拟它，而是使用Python缓冲并控制您应该控制的内容：数据的使用者找到理想的散列块大小。