先按文件大小分组再计算MD5可提速5–10倍；用os.path.getsize()快速筛选，仅对同大小文件组计算哈希；分块读取防内存溢出，需二进制模式+try/except；用defaultdict(list)高效分组，注意硬链接与符号链接处理。
用 os.path.getsize() 快速筛掉大小不同的文件
文件大小不同，MD5 一定不同，所以先按大小分组能省下大量哈希计算。尤其处理上万文件时，这步能提速 5–10 倍。
常见错误是直接对所有文件跑 hashlib.md5()，结果卡在 I/O 上，还容易被误判（比如大文件读到一半出错没捕获）。
- 只对同大小的文件组再比 MD5，组内文件数通常 ≤ 5，效率高
- 注意
os.path.getsize()返回字节，别和 KB/MB 混用；路径含中文或特殊符号时，确保用str或pathlib.Path处理，避免UnicodeEncodeError - 空文件大小都是 0，但内容可能不同（比如一个真空，一个含 BOM），所以大小相同时仍需哈希验证
用 hashlib.md5() 分块读取防内存爆掉
直接 open(...).read() 读 GB 级文件会把整个文件塞进内存，Python 进程可能被系统 kill，或者拖慢整台机器。
正确做法是分块读——每次只读 8192 字节（或 64KB），喂给 md5.update() 累积哈希值。
立即学习“Python免费学习笔记（深入）”；
- 块大小选
8192是平衡 I/O 和 CPU，太小（如 1024）调用太频繁，太大（如 1MB）对小文件不友好 - 必须用二进制模式打开：
open(path, "rb")，否则文本模式会解码失败或跳过某些字节 - 别漏掉
try/except：权限不足、文件被占用、路径不存在都会抛OSError，跳过即可，别让整个程序崩
with open(path, "rb") as f:
md5 = hashlib.md5()
for chunk in iter(lambda: f.read(8192), b""):
md5.update(chunk)
return md5.hexdigest()
用 collections.defaultdict(list) 聚合同大小或同哈希的文件
不用手动判断 key 是否存在，也别用 dict.setdefault() 写三行——defaultdict(list) 一行搞定分组逻辑，代码干净还不易错。
场景：你拿到 1000 个文件，想找出哪些路径对应同一个 MD5，这时候键是 file_size 或 md5_hex，值是路径列表。
- 如果按大小分组后发现某组只有 1 个文件，直接跳过 MD5 计算
- 哈希值做字典 key 时，确保用
.hexdigest()（字符串），别用.digest()（bytes），后者不可哈希还会报TypeError - 路径建议用
os.path.abspath(path)归一化，避免./a.txt和a.txt被当成两个不同文件
注意硬链接与符号链接的干扰
Linux/macOS 下，硬链接指向同一 inode，os.path.getsize() 和 MD5 完全一致，但它们是“同一个文件”，删一个另一个就没了——这不是重复，是镜像。
而符号链接若指向不同目标，大小和 MD5 可能撞车，但实际内容无关。不处理的话，你会误删不该删的文件。
- 用
os.stat(path).st_ino和os.stat(path).st_dev判断是否为同一硬链接（同设备 + 同 inode） - 用
os.path.islink(path)排除符号链接，或用os.path.realpath(path)解析后再比（视需求而定） - Windows 没硬链接（除非管理员启用了开发者模式），但有 NTFS 符号链接和交接点（junction），
os.path.islink()在 Python 3.8+ 才稳定支持
