جلسهی 22: نگهبان The Watcher
بعد از بکاپ، دومین اسکریپتی که هر کامپیوتری لازم دارد نگهبان است: چیزی که هر صبح نگاه میکند و فقط وقتی مشکلی هست حرف میزند. امروز اندازهی فایل و پوشه (os.path.getsize)، هشدار وقتی از حد گذشت، و پیدا کردن فایلهای تکراری نه با اسم، که با اثر انگشت محتوا (hashlib).
در این جلسه یاد میگیری
- با
os.path.getsizeاندازهی فایل را به بایت میگیری و اندازهی پوشه را جمع میزنی. - حد هشدار را در تنظیمات نگه میداری و فقط برای پوشههایی که از آن گذشتهاند
WARNمیدهی. - میدانی هش (
hashlib.sha256) اثر انگشت محتواست: محتوای یکسان، هش یکسان؛ یک حرف فرق، هش کاملاً متفاوت. - فایلهای تکراری را با دیکشنری هش → اولین فایل پیدا میکنی.
درس
🛡️ قانون این دوره: اسکریپت فقط نشان میدهد یا میسازد. اسکریپتهای ما فایل میخوانند، لیست میکنند، میسازند و کپی میکنند؛ هیچوقت چیزی را بیخبر پاک نمیکنند. همهچیز در یک پوشهی تمرینی خالی اجرا میشود که هر بار از نو ساخته میشود، پس هر چه میخواهی امتحان کن: چیزی خراب نمیشود. روی کامپیوتر خودت هم همیشه اول یک پوشهی practice بساز و فقط داخل آن کار کن.
یادت هست؟ در فاز ۳ با دیکشنری شمردیم و با حد (LIMIT) هشدار دادیم؛ در فاز ۲ با os.listdir محتوای پوشه را گرفتیم. نگهبان همین دو را روی اندازهها انجام میدهد: چه چیزی چقدر جا گرفته، و کدام از حد گذشته.
import os
with open("notes.txt", "w") as f:
f.write("hello")
print(sorted(os.listdir(".")))os.path.getsize("notes.txt") اندازهی فایل را به بایت میدهد؛ هر حرف انگلیسی یک بایت است. اندازهی یک پوشه = جمع اندازهی فایلهایش: حلقه روی os.listdir(folder) و total += os.path.getsize(os.path.join(folder, name)). برای خواناتر شدن، بایت را بر ۱۰۲۴ تقسیم کن تا کیلوبایت شود و بر ۱۰۲۴ دیگر تا مگابایت؛ در تمرینهای ما اعداد کوچکاند و بایت کافی است.
import os
os.makedirs("photos", exist_ok=True)
with open("photos/a.jpg", "w") as f:
f.write("x" * 300)
with open("photos/b.jpg", "w") as f:
f.write("x" * 200)
total = 0
for name in os.listdir("photos"):
total += os.path.getsize(os.path.join("photos", name))
print(f"photos: {total} bytes")نگهبان خوب ساکت است: اگر همهچیز خوب باشد یک خط ALL_OK میگوید و بس؛ فقط وقتی پوشهای از حد گذشت WARN میدهد، بزرگترین اول. حد را در تنظیمات نگه دار (LIMIT=1000)، چون برای هارد ۲۵۶ گیگ و ۲ ترا فرق میکند. این الگو برای هر چیزی که باید پایش شود یکی است: دیسک، تعداد خطاهای لاگ، تعداد فایلهای Downloads.
LIMIT = 250
sizes = {"photos": 500, "docs": 120, "music": 300}
warned = False
for folder in sorted(sizes, key=sizes.get, reverse=True):
if sizes[folder] > LIMIT:
print(f"WARN {folder}: {sizes[folder]} bytes")
warned = True
if not warned:
print("ALL_OK")دو فایل با اسم متفاوت میتوانند یک محتوا داشته باشند (همان عکس، دو بار کپی شده). با اسم نمیشود فهمید؛ با هش میشود. هش یک «اثر انگشت» کوتاه از محتواست: hashlib.sha256(data).hexdigest(). محتوای یکسان همیشه همان هش را میدهد و کوچکترین تغییر، هش را کاملاً عوض میکند. برای خواندن فایل به شکل بایت از open(name, "rb") استفاده کن.
import hashlib
a = hashlib.sha256(b"hello").hexdigest()
b = hashlib.sha256(b"hello").hexdigest()
c2 = hashlib.sha256(b"Hello").hexdigest()
print(a[:12], b[:12], c2[:12])
print(a == b, a == c2)پیدا کردن تکراریها همان الگوی دیکشنری است: کلید = هش، مقدار = اولین فایلی که آن هش را داشت. برای هر فایل: هش را حساب کن؛ اگر در دیکشنری هست، این فایل تکراری آن است؛ وگرنه ثبتش کن. نگهبان فقط گزارش میدهد (DUP b.jpg = a.jpg)؛ حذف کردن تصمیم آدم است، نه اسکریپت.
import hashlib
contents = {"a.jpg": b"same photo", "b.jpg": b"same photo", "c.jpg": b"other photo"}
seen = {}
for name in sorted(contents):
digest = hashlib.sha256(contents[name]).hexdigest()
if digest in seen:
print(f"DUP {name} = {seen[digest]}")
else:
seen[digest] = nameاشتباههای رایج: getsize روی پوشه اندازهی محتوایش را نمیدهد؛ باید خودت جمع بزنی. فایل را برای هش با "rb" باز کن، نه "r"؛ sha256 بایت میخواهد (text.encode() برای رشته). و دو فایل هماسم در دو پوشه تکراری نیستند مگر هششان یکی باشد.
مثالهای این جلسه
- مثال کار با فایل (اسکریپتنویسی با پایتون): with open("notes.txt", "w") as f: — نگهبان
- مثال کار با فایل (اسکریپتنویسی با پایتون): with open("photos/a.jpg", "w") as f:
- مثال دیکشنری (اسکریپتنویسی با پایتون): sizes = {"photos": 500, "docs": 120, "music…
- مثال رشته (اسکریپتنویسی با پایتون): print(a[:12], b[:12], c2[:12])
- مثال حلقه for (اسکریپتنویسی با پایتون): for name in sorted(contents):
چالشها
- Why the Hash? (آسان)
- File Sizes (آسان)
- Folder Watcher (متوسط)
- Fingerprints (متوسط)
- (Harder) Duplicate Files (سخت)
- (Harder) The Morning Report (سخت)