Python如何删除重复文件？基于MD5校验的自动化去重脚本

周末不加班

发布时间：2026-10-12 | 1人浏览过

原创

面对海量同类文档或备份残留，手动核对极其耗时。通过Python标准库遍历目录，采用文件大小初筛配合MD5精准比对的双层逻辑，可快速定位并清理冗余数据。本文提供含安全提示的去重脚本、执行参数配置说明及常用路径操作对照指南，协助开发者高效、安全地完成批量文件去重。

去重原理与安全预警

判断文件是否重复的标准并非仅看文件名，而是依赖底层数据特征。本方案采用两层过滤机制：
1. 大小初筛：读取文件的字节体积。体积不同的文件绝对不可能重复，直接跳过后续计算，大幅降低CPU与磁盘I/O压力。
2. 哈希比对：对体积相同的候选文件计算MD5摘要值。只要哈希值完全一致，即可判定为内容重复文件，触发物理删除操作。

⚠️ 风险提示：脚本中的 file.unlink() 会直接从磁盘移除文件且不进入回收站。执行前请务必确认目标文件夹内的数据已备份，或先在测试目录中验证流程。

脚本构建与参数配置

第1步：定义哈希计算入口

使用内置 hashlib 模块读取二进制流并生成十六进制摘要。此函数作为去重的核心校验器，接收文件绝对路径字符串，返回对应文件的MD5标识。

def getmd5(filename):
    with open(filename, 'rb') as f:
        data = f.read()
    return hashlib.new("md5", data).hexdigest()

第2步：加载目录与排序策略

调用 pathlib.Path 获取指定路径下的所有子项。脚本默认按名称字典序升序排列，此时相同文件会保留创建时间较新的那个；若将列表反转（reverse=True），则改为保留日期较久或文件名较短的版本。开发者可根据实际业务需求调整排序方式。

第3步：全量遍历与条件删除

维护一个字典 all_size 记录已遇见的【文件大小 → 文件路径及MD5】映射关系。遍历过程中，若当前文件大小未出现过，则将其存入字典；若已存在，则调用哈希函数进行二次核验。当确认MD5相同时，执行卸载删除指令并累加计数器；否则将该新文件的哈希值追加至同一尺寸组中避免误删。

from pathlib import Path
import hashlib


def getmd5(filename):
    # 接收文件路径，返回文件md5值
    with open(filename, 'rb') as f:
        data = f.read()
    file_md5 = hashlib.new("md5", data).hexdigest()
    return file_md5


def main():
    # 请替换为目标扫描根目录
    path = r"F:\FileRecv\删除文件测试"
    all_size = {}
    total_file = 0
    total_delete = 0

    # 获取路径内的所有文件名，默认是升序排列，相同文件将会保留日期时间最新的
    all_files = Path(path).glob('*.*')

    # 降序排列，相同文件将会保留文件名最短的（即日期时间最久的）
    all_files = sorted(all_files, reverse=True)

    # 遍历文件路径内的所有文件
    for file in all_files:
        # 获取文件所占字节大小，作为数据字典的键
        size = file.stat().st_size
        # name_and_md5列表用于存储文件绝对路径和md5值，作为数据字典的值
        name_and_md5 = [file, '']

        # 针对重复文件进行处理，生成字典存储相关信息
        # 字典all_size中key是size，value是name_and_md5列表
        # 针对相同size的文件，再调用getmd5函数，获取文件的md5值
        # 文件size不同（不在all_size.keys()中），则自动判断为不同的文件，予以保留
        if size in all_size.keys():
            # 调用getmd5函数，获取文件的md5值
            new_md5 = getmd5(file)
            if all_size[size][1] == '':
                all_size[size][1] = getmd5(all_size[size][0])
            # 判断md5值存在，即文件重复，则删除文件。md5值不存在，则把md5值加入列表中
            if new_md5 in all_size[size]:
                file.unlink()
                total_delete += 1
            else:
                all_size[size].append(new_md5)
        else:
            all_size[size] = name_and_md5
        total_file += 1

    print(f'文件总数：{total_file}')
    print(f'删除个数：{total_delete}')


if __name__ == '__main__':
    main()

保存为 .py 文件后直接在终端运行，脚本会自动统计处理进度并输出最终清理数量。