0609：在系统中查找重复文件（★）

力扣第 609 题

题目

给你一个目录信息列表 paths ，包括目录路径，以及该目录中的所有文件及其内容，请你按路径返回文件系统中的所有重复文件。答案可按 任意顺序 返回。

一组重复的文件至少包括 两个 具有完全相同内容的文件。

输入 列表中的单个目录信息字符串的格式如下：

• "root/d1/d2/.../dm f1.txt(f1_content) f2.txt(f2_content) ... fn.txt(fn_content)"

这意味着，在目录 root/d1/d2/.../dm 下，有 n 个文件 ( f1.txt, f2.txt ... fn.txt ) 的内容分别是 ( f1_content, f2_content ... fn_content ) 。注意：n >= 1 且 m >= 0 。如果 m = 0 ，则表示该目录是根目录。

输出 是由 重复文件路径组 构成的列表。其中每个组由所有具有相同内容文件的文件路径组成。文件路径是具有下列格式的字符串：

• "directory_path/file_name.txt"

示例 1：

输入：paths = ["root/a 1.txt(abcd) 2.txt(efgh)","root/c 3.txt(abcd)","root/c/d 4.txt(efgh)","root 4.txt(efgh)"]
输出：[["root/a/2.txt","root/c/d/4.txt","root/4.txt"],["root/a/1.txt","root/c/3.txt"]]

示例 2：

输入：paths = ["root/a 1.txt(abcd) 2.txt(efgh)","root/c 3.txt(abcd)","root/c/d 4.txt(efgh)"]
输出：[["root/a/2.txt","root/c/d/4.txt"],["root/a/1.txt","root/c/3.txt"]]

提示：

• 1 <= paths.length <= 2 * 104
• 1 <= paths[i].length <= 3000
• 1 <= sum(paths[i].length) <= 5 * 105
• paths[i] 由英文字母、数字、字符 '/'、'.'、'('、')' 和 ' ' 组成
• 你可以假设在同一目录中没有任何文件或目录共享相同的名称。
• 你可以假设每个给定的目录信息代表一个唯一的目录。目录路径和文件信息用单个空格分隔。

进阶：

• 假设您有一个真正的文件系统，您将如何搜索文件？广度搜索还是宽度搜索？
• 如果文件内容非常大（GB级别），您将如何修改您的解决方案？
• 如果每次只能读取 1 kb 的文件，您将如何修改解决方案？
• 修改后的解决方案的时间复杂度是多少？其中最耗时的部分和消耗内存的部分是什么？如何优化？
• 如何确保您发现的重复文件不是误报？

分析

按内容将文件分类，返回至少有两个文件的类别即可。

解答

1
2
3
4
5
6
7
8

def findDuplicate(self, paths: List[str]) -> List[List[str]]:
	d = defaultdict(list)
	for path in paths:
		tmp = path.split()
		for val in tmp[1:]:
			file, key = val.split('(')
			d[key].append(tmp[0]+'/'+file)
	return [v for v in d.values() if len(v) > 1]

72 ms