Discussion :

[Gamoth]

Bonjour,

Je lis régulièrement ce forum et jusqu'à présent je trouvais mon bonheur.

Je dois develloper un programme de triage en Python.
J'ai besoin d'une fonction qui me permette de comparer deux fichiers, elle devra me dire si ils sont identiques ou non.
Un diff en python en fait.

Avez-vous une idée sur une manière de faire ou même une fonction déja existante?


Merci d'avance

Bonne journée

[ctiti60]

Salut,

Dans la librairie difflib, tu n'as pas ton bonheur ?

[kango]

bonjour,

si tu veux juste savoir s'ils sont identiques ou différents mais sans connaitre les différences, tu peux aussi utiliser les tables de hashage:

http://docs.python.org/library/hashl...module-hashlib

[Gamoth]

pour la librairie difflib je n'arrive pas à m'en servir
Et pour la hashlib c'est pareil ils veulent une chaine de caractère et moi j'ai des fichiers.

Sinon j'ai essayé d'ouvrir les deux fichiers avec open,de faire un readlines et de comparer les deux chaines de caractères mais je trouve ça assez moche.

[tyrtamos]

Bonjour,

Comme je ne trouvais pas non plus de fonction toute faite qui faisait ça, j'ai développé la mienne:

http://python.jpvweb.com/mesrecettes...omparefichiers

On fait ici une comparaison du contenu, sans tenir compte des metadatas (à part la taille, bien entendu).

Selon le contexte, on pourrait aussi (plus rapide et plus simple) vérifier seulement la taille et la dernière date de modif.

Il y a déjà eu une discussion sur ce sujet sur ce site. Le problème du hashcode, c'est d'une part qu'il faut tout lire pour avoir le hash même si les 2 fichiers sont différents à partir du 1er octet, et d'autre part qu'un hashcode identique ne donne pas une certitude absolue d'identité des 2 fichiers, mais seulement une très haute probabilité.

Tyrtamos

[kango]

un hashcode identique ne donne pas une certitude absolue d'identité des 2 fichiers, mais seulement une très haute probabilité.

je suis conscient des pbs de sécurité de certains algorithme de hashage qui font que effectivement ils ne sont pas "fiables" à 100%.

néanmoins, contourner la sécurité de ces algo nécessite d'introduire un "code de bourrage" extrêmement spécifique si j'ai bien compris.

pour que l'algo ne soit pas fiable, il me semble qu'il faille une réelle intention de nuire, c'est à dire pirater le fichier hashé.

fais tu allusion à autre chose lorsque tu dis que ce n'est pas fiable ?

[eyquem]

En considérant comme premier intérêt la détermination de l’endroit où deux fichiers commencent à différer, voici un code fruste et efficace (soyez indulgents Msieurs-dames):

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
f = open('fichier un.txt')
g = open('fichier deux.txt')
ch1 = f.read()
ch2 = g.read()
print 'Taille du fichier un   :',len(ch1)
print 'Taille du fichier deux :',len(ch2)
 
for x in xrange(min(len(ch1),len(ch2))):
    if ch1[x]!=ch2[x]:
        print "\nLes deux fichiers sont identiques jusqu'à:\n"
        deb = x-100
        if deb<0:
            print repr(ch1[0:x])
        else:
            print "..........."+repr(ch1[deb:x])
        print "\nPuis les deux caractères suivants sont différents:"
        print "fichier un:\n"+repr(ch1[x:x+100])
        print "\nfichier deux:\n"+repr(ch2[x:x+100])
 
f.close()
g.close()

fais tu allusion à autre chose lorsque tu dis que ce n'est pas fiable ?

Oui, il fait allusion au fait que le hashage, en visant à réduire le contenu d’un fichier à une succession de caractères qui le code comme si c’en était une sorte de compression (c’est comme ça que je comprends la chose, soyez indulgents Msieurs-dames), il se peut très bien que pour deux fichiers complétement différents, malgré la complexité des calculs de hashage, les hash qui sortent pour ces deux fichiers soient identiques. Dit autrement, on ne peut pas représenter par des hash (de longueur nécessairement limitée) tous différents tous les fichiers existants et à venir; donc il existe des hash identiques pour des fichiers différents. Il suffit de tomber sur deux d’entre eux dans un code pour fissurer les 100%.

[tyrtamos]

Je ne me plaçais pas particulièrement dans un cadre de sécurité informatique.

Je crois que le hashcode se justifie quand on veut vérifier que des fichiers n'ont pas été modifiés, en les comparant à leur hashcode précédemment calculé. Dans ce cas, il suffit de conserver les hashcodes précédents pour faire cette vérification, et c'est assez pratique car ça évite de comparer avec les fichiers précédemment sauvegardés ailleurs. C'est aussi le cas, par exemple, pour vérifier le téléchargement des images iso linux (md5 ou sha).

Mais quand il s'agit de comparer les contenus de 2 fichiers, les tests progressifs sont en même temps plus rapides (on arrête à la 1ère différence) et plus sûrs (probabilité=1).

En fait, il est difficile de raisonner dans le vide: il y a probablement d'autres cas où l'une ou l'autre des solutions est la plus adaptée.

Tyrtamos