本文介绍一种基于 sha-256 哈希比对的可靠方案，用于扫描目录中所有文件、精准识别内容重复项，并提供可选的自动清理逻辑，兼顾准确性与操作安全性。
本文介绍一种基于 sha-256 哈希比对的可靠方案，用于扫描目录中所有文件、精准识别内容重复项，并提供可选的自动清理逻辑，兼顾准确性与操作安全性。
在处理大量用户上传或备份文件时，重复内容不仅浪费存储空间，还可能引发管理混乱。PHP 提供了 hash_file() 函数，能高效计算文件内容的 SHA-256 哈希值——该值具备强抗碰撞性，只要文件内容完全一致，哈希必然相同；反之，哪怕一个字节差异，哈希也截然不同。因此，哈希是识别真正“内容重复”（而非仅文件名相同）的黄金标准。
以下是一个结构清晰、生产就绪的实现流程：
1. 扫描并构建哈希-文件映射数组
避免将文件名与哈希扁平化混存（如原代码中的 array_push($arr, $name, $hash)），而应使用关联结构，确保语义明确、便于后续分组：
$localfileslist = [];
$scanPath = $_GET['name'] ?? __DIR__; // 建议增加路径校验与安全过滤
$localfiles = glob($scanPath . '/*');
foreach ($localfiles as $localfile) {
if (is_file($localfile) && is_readable($localfile)) {
$hash = hash_file('sha256', $localfile);
if ($hash !== false) { // 防止因权限/损坏导致哈希失败
$localfileslist[] = ['name' => $localfile, 'hash' => $hash];
}
}
}2. 按哈希值分组文件
使用 array_reduce() 将所有同哈希文件路径归入同一键下，形成 $hash => [path1, path2, ...] 结构：
立即学习“PHP免费学习笔记（深入）”；
$grouped = array_reduce($localfileslist, function ($groups, $item) {
$hash = $item['hash'];
if (!isset($groups[$hash])) {
$groups[$hash] = [];
}
$groups[$hash][] = $item['name'];
return $groups;
}, []);3. 筛选出真正的重复组（≥2 个文件）
$duplicates = array_filter($grouped, fn($paths) => count($paths) > 1);
此时 $duplicates 是一个关联数组，每个键为重复哈希值，对应值为该哈希下所有文件路径数组。例如：
[ 'a1b2c3...' => ['/path/a.txt', '/path/b.txt'], 'd4e5f6...' => ['/path/x.log', '/path/y.log', '/path/z.log'] ]
4. 安全删除重复文件（保留首个，删除其余）
⚠️ 重要：删除前务必确认逻辑并建议先启用模拟模式
$deletedCount = 0;
foreach ($duplicates as $hash => $paths) {
// 保留第一个文件（通常作为原始源），其余标记为待删
$toDelete = array_slice($paths, 1); // 跳过索引 0
foreach ($toDelete as $file) {
if (unlink($file)) {
echo "✓ Deleted: $file\n";
$deletedCount++;
} else {
echo "✗ Failed to delete: $file (check permissions)\n";
}
}
}
echo "Total duplicates removed: $deletedCount\n";注意事项与最佳实践
-
路径安全：
$_GET['name']直接拼接存在路径遍历风险（如../etc/passwd），生产环境必须使用realpath()+dirname(__FILE__)白名单校验，或改用 POST + token 验证。 -
大文件处理：
hash_file()会加载整个文件进内存。对超大文件（>1GB），可考虑分块哈希或先比对文件大小再哈希（优化性能）。 -
原子性与日志：关键场景建议先将待删列表写入日志文件，人工复核后再执行
unlink()；或使用事务式临时重命名+确认机制。 -
错误处理：始终检查
hash_file()返回值及unlink()结果，避免静默失败。
通过以上步骤，你不仅能精准定位内容级重复文件，还能以可控、可审计的方式完成清理，显著提升文件系统健康度与运维效率。
