香港人換電腦、換手機、買外置硬碟嘅速度愈來愈快，但每次搬資料，都好容易留下一大堆重複檔案：同一張相喺「相片」、「下載」、「備份」幾個資料夾各有一份；同一份合約 email 收過、WhatsApp 收過、又自己另存過一次。日子一久，硬碟就畀呢啲「同一樣嘢嘅翻版」塞到滿一滿，想清又唔知從何入手。
今次教你用 Python 寫一個「重複檔案搜尋器」：行一次，就自動掃描成個資料夾（連埋子資料夾），搵出內容完全一樣嘅檔案，列成報告，等你決定邊啲可以刪。全程唔使裝額外軟件，用 Python 內置嘅功能就做得到。
點解唔可以靠「檔名」判斷重複？
最直覺嘅做法係比較檔名，但呢個方法好唔可靠：同一張相可以叫 IMG_2031.jpg 又叫 holiday.jpg；反過嚟，兩份完全唔同嘅文件都可能叫「報價單.docx」。所以要準確判斷，一定要比較檔案內容。做法係用 hashlib 計算每個檔案嘅「指紋」（SHA-256 雜湊值）——內容一樣，指紋就一模一樣；只要相差一個位元，指紋就完全唔同。
第一步：動手之前想一想
- 先由一個範圍開始（例如「文件」資料夾），唔好一次過掃成部機
- 程式只負責「搵」同「報告」，唔會自動刪除，安全第一
- 細檔案數目多，所以先用「檔案大細」篩一次、再用雜湊值確認，速度快好遠
第二步：完整程式碼
開一個新檔案 dedupe.py（記事本都得），貼入以下 code：
import os, hashlib
from collections import defaultdict
import pandas as pd
def file_hash(path, chunk=65536):
h = hashlib.sha256()
with open(path, "rb") as f:
while (block := f.read(chunk)):
h.update(block)
return h.hexdigest()
SCAN_DIR = "D:/Documents" # 想掃描嘅資料夾
# 1. 先用「檔案大細」分組（快）
by_size = defaultdict(list)
for root, _, files in os.walk(SCAN_DIR):
for name in files:
p = os.path.join(root, name)
try:
by_size[os.path.getsize(p)].append(p)
except OSError:
pass
# 2. 只對「大細一樣」嘅檔案算雜湊（準）
by_hash = defaultdict(list)
for size, paths in by_size.items():
if len(paths) < 2:
continue
for p in paths:
try:
by_hash[file_hash(p)].append(p)
except OSError:
continue
# 3. 輸出報告
rows = []
total = 0
for h, paths in by_hash.items():
if len(paths) > 1:
total += (len(paths) - 1) * os.path.getsize(paths[0])
for p in paths:
rows.append({"雜湊": h[:8], "檔案": p,
"大小(KB)": round(os.path.getsize(p)/1024, 1)})
pd.DataFrame(rows).to_excel("duplicates.xlsx", index=False)
print(f"搵到 {len(by_hash)} 組重複，可釋放約 {total/1024/1024:.1f} MB")
逐行解釋
- file_hash() —— 用 SHA-256 計出檔案指紋；逐塊（64KB）讀入，就算幾 GB 嘅大檔都唔會爆記憶體。
- os.walk(SCAN_DIR) —— 自動走遍指定資料夾同所有子資料夾。
- by_size —— 先按檔案大細分組；大細唔同就一定唔係重複，可以直接跳過，慳好多時間。
- len(paths) < 2 → continue —— 大細獨一無二嘅檔案，唔使浪費時間算雜湊。
- by_hash —— 用指紋做 key，同一組就係內容完全相同嘅檔案。
- h[:8] —— 報告只顯示指紋頭 8 個字，方便肉眼對比。
- to_excel() —— 一行一個檔案，另存成 Excel，方便你篩選、排序。
第三步：執行
python dedupe.py
跑完，同一個資料夾會多一個 duplicates.xlsx，入面列晒所有重複檔案，仲會話你知總共可以釋放幾多空間。你可以喺 Excel 排吓序，睇清楚邊個係原檔、邊個係副本，再自己決定刪邊個。
安全使用五大貼士
- 先備份，後清理 —— 刪嘢之前，最好先將檔案清單抄低，或者做一次備份。
- 保留最有價值嘅一份 —— 通常保留喺最就手、命名最清楚嗰個位置。
- 唔好喺系統槽亂刪 —— Windows 同程式本身嘅檔案，唔好用呢個方法處理。
- 留意「文件大細」一欄 —— 程式已經先篩過一次，但報告入面嘅大細欄可以幫你快速鎖定最佔位嘅大檔。
- 定期行，唔好等爆 —— 每季掃一次，比一次過清幾百 GB 輕鬆得多。
總結
Python 教學：用幾十行 code，就砌出一個「重複檔案搜尋器」，幾秒掃完成個資料夾，幫你慳返幾 GB 甚至幾十 GB 空間。重點記住兩個次序：先用大細篩、再用雜湊值確認；同埋程式只搵唔刪，清理嘅決定權永遠喺你手上。想再進一步，你可以喺 code 尾加一段，將重複檔案自動搬去「待刪」資料夾，睇清楚冇問題先一次過清。