两份文件内容是否相同：分块计算 SHA-256 摘要的入门做法

如果你手上有两个文件，想知道内容是不是一样，可以分别对它们计算 SHA-256 摘要，再比较两个 hexdigest 的结果。

按 Python 官方 hashlib 文档的说明，sha256() 会创建一个 SHA-256 哈希对象，你可以用 update 方法不断喂给它 bytes 类型的数据，最后用 hexdigest() 取得到目前为止所有已喂入数据拼接结果的摘要，返回值是只含十六进制数字的字符串。

关键点在这里：文档明确写了，重复调用 update 等价于把参数拼接后一次调用，也就是 m.update(a); m.update(b) 和 m.update(a+b) 结果相同。所以你可以一块一块地读文件、一块一块地 update，不必把整个文件一次读进内存。

本文只处理一件事：只读自建的两个练习文件，分块 update，比较 hexdigest。不涉及写入、删除、重命名，也不涉及其他哈希算法。

一个必须提前说清的边界：摘要相同只能说明在你这次计算里两个文件喂进去的字节序列一致，它不是绝对数学证明，也不能用来存密码。文档在讲密钥派生时专门提醒，像 sha1(password) 这种朴素做法不能抵抗暴力破解，好的密码哈希函数应当可调、慢、并带盐。SHA-256 摘要不适合当密码存储方案。

开始前请把练习文件放在单独目录，例如 exercise/，不要拿重要文件直接试。下面所有路径和内容都是自建练习示例，不是对真实文件的记录。

先造两个内容相同的文件，再造一个内容不同的，方便你对照结果：

from pathlib import Path

base = Path("exercise/hash_demo")
base.mkdir(parents=True, exist_ok=True)

(base / "a.txt").write_bytes(b"same content\n")
(base / "b.txt").write_bytes(b"same content\n")
(base / "c.txt").write_bytes(b"same content\nchanged\n")

这里用 write_bytes 写入明确的字节，避免编码差异干扰练习。a.txt 和 b.txt 内容一致，c.txt 多了一段。

为什么强调“字节”：update 接受的是 bytes-like 对象，摘要算的是字节序列，不是字符。同一个字符在不同编码下字节不同，摘要也会不同。所以比较文件时，你比较的其实是文件的原始字节。

分块读取的写法是：以二进制模式打开文件，循环读取固定大小的块，每读到一块就 update 一次。

import hashlib
from pathlib import Path

def file_sha256(path, chunk_size=65536):
    h = hashlib.sha256()
    with open(path, "rb") as f:
        while True:
            block = f.read(chunk_size)
            if not block:
                break
            h.update(block)
    return h.hexdigest()

几个要点：

1. 打开模式必须是 "rb"，二进制读取。文本模式会做换行转换和编码解码，喂给 update 的就不是文件原始字节了。

2. chunk_size 是每次读多少字节，65536 只是本示例选的一个值。文档没有规定你必须用某个块大小，它只保证分多次 update 与一次 update 拼接结果等价。

3. 循环用 read 返回空字节串作为结束条件，读到末尾就退出。

4. 每个文件都要新建一个 sha256() 对象。不要复用同一个对象去算第二个文件，否则第二个文件的摘要会带着第一个文件的数据。

用上面的函数分别算三个文件：

for name in ["a.txt", "b.txt", "c.txt"]:
    print(name, file_sha256(base / name))

预期你会看到：a.txt 和 b.txt 打印出相同的十六进制字符串，c.txt 打印出不同的字符串。

比较时注意两点：

1. hexdigest() 返回的是字符串，直接用 == 比较即可。不要用 digest() 的 bytes 去和字符串比，两者类型不同。

2. 摘要字符串应当长度一致。SHA-256 的摘要固定为 32 字节，hexdigest 是双倍长度的十六进制字符串。如果你看到两个结果长度不一样，说明比较的不是同一种算法或同一种输出形式，先检查代码。

一个提醒：a.txt 和 b.txt 摘要相同，是因为它们字节完全一致。这不能反过来证明“摘要相同就一定内容相同”——哈希函数理论上存在碰撞可能，文档也专门警告 MD5、SHA1 等算法有已知的碰撞弱点。SHA-256 目前没有在本文资料里被列为已知碰撞弱点，但“摘要相同”仍然只是内容一致的一个参考线索，不是绝对数学证明。

如果结果和预期不符，按下面顺序排查：

1. 文件打不开。检查路径是不是写错，或者文件是不是真的在 exercise/hash_demo 下。用 Path.exists() 先确认路径存在。

2. 两个“相同”的文件摘要却不同。最常见原因是打开模式不是 "rb"，或者其中一个文件在保存时被编辑器改了换行、加了末尾空行。用 write_bytes 写入明确字节可以排除这类干扰。

3. 摘要算出来不对。检查是不是复用了同一个哈希对象。每个文件必须新建 sha256()。

4. 算法不可用。文档说明，某些受限环境（例如少见的 FIPS 合规构建，或 OpenSSL 配置了 FIPS 模式）可能缺少或屏蔽某些算法，调用不可用算法的构造函数会抛出 ValueError。如果你遇到这种情况，先确认当前环境是否支持 sha256。

5. 读的是文本不是字节。如果你不小心用 "r" 打开，update 会拿到字符串而不是 bytes，会报类型错误。改回 "rb"。

本文只覆盖：只读自建的两个（或三个）练习文件，按块 update 到 sha256 对象，用 hexdigest 比较十六进制摘要。

以下内容不在本文范围内，资料没有支持，本文也不编造：

- 不涉及其他哈希算法（如 MD5、SHA1、SHA3、BLAKE2）的具体用法和性能比较。

- 不涉及文件写入、删除、重命名等会改动文件的操作。

- 不涉及大文件性能优化、并行计算或多线程细节。

- 不给任何“摘要相同即安全”“摘要相同即文件未被篡改”的结论。

两个必须记住的边界：

第一，摘要相同不是绝对数学证明。它只能说明这次计算中喂入的字节序列一致。哈希函数存在碰撞的理论可能，文档也警告部分算法有已知碰撞弱点。

第二，SHA-256 摘要不用于密码存储。文档在密钥派生部分明确说，朴素哈希不能抵抗暴力破解，密码哈希应当可调、慢、带盐，并给出了 pbkdf2_hmac、scrypt 这类专门函数。本文的摘要比较只适合文件内容核对这类场景。

参考资料：Python 官方 hashlib 文档，https://docs.python.org/3/library/hashlib.html。