计算数据结构的 md5 哈希

Question

我想计算一个 md5 散列，而不是字符串，而是整个数据结构。我了解执行此操作的方法的机制（发送值的类型、规范化字典键顺序和其他随机性、递归到子值等）。但它似乎是一种通常有用的操作，所以我很惊讶我需要自己滚动这个。

在 Python 中有没有更简单的方法来实现这一点？

更新：建议使用 pickle，这是一个好主意，但 pickle 不会规范化字典键顺序：

>>> import cPickle as pickle
>>> import hashlib, random 
>>> for i in range(10):
...  k = [i*i for i in range(1000)]
...  random.shuffle(k)
...  d = dict.fromkeys(k, 1)
...  p = pickle.dumps(d)
...  print hashlib.md5(p).hexdigest()
...
51b5855799f6d574c722ef9e50c2622b
43d6b52b885f4ecb4b4be7ecdcfbb04e
e7be0e6d923fe1b30c6fbd5dcd3c20b9
aebb2298be19908e523e86a3f3712207
7db3fe10dcdb70652f845b02b6557061
43945441efe82483ba65fda471d79254
8e4196468769333d170b6bb179b4aee0
951446fa44dba9a1a26e7df9083dcadf
06b09465917d3881707a4909f67451ae
386e3f08a3c1156edd1bd0f3862df481

Answer 1

ROCKY 方式：将所有结构项放在一个父实体中（如果还没有的话），对它们进行递归和排序/规范化/等，然后计算其repr 的 md5。

Answer 2

更新：由于键顺序随机性，这不适用于字典。抱歉，我没有想到。

import hashlib
import cPickle as pickle
data = ['anything', 'you', 'want']
data_pickle = pickle.dumps(data)
data_md5 = hashlib.md5(data_pickle).hexdigest()

这应该适用于任何 python 数据结构，也适用于对象。

Answer 3

bencode 对字典进行排序：

import hashlib
import bencode
data = ['only', 'lists', [1,2,3], 
'dictionaries', {'a':0,'b':1}, 'numbers', 47, 'strings']
data_md5 = hashlib.md5(bencode.bencode(data)).hexdigest()
print data_md5

打印：

af1b88ca9fd8a3e828b40ed1b9a2cb20

Answer 4

我最终自己写了它，因为我认为我必须这样做：

class Hasher(object):
    """Hashes Python data into md5."""
    def __init__(self):
        self.md5 = md5()

    def update(self, v):
        """Add `v` to the hash, recursively if needed."""
        self.md5.update(str(type(v)))
        if isinstance(v, basestring):
            self.md5.update(v)
        elif isinstance(v, (int, long, float)):
            self.update(str(v))
        elif isinstance(v, (tuple, list)):
            for e in v:
                self.update(e)
        elif isinstance(v, dict):
            keys = v.keys()
            for k in sorted(keys):
                self.update(k)
                self.update(v[k])
        else:
            for k in dir(v):
                if k.startswith('__'):
                    continue
                a = getattr(v, k)
                if inspect.isroutine(a):
                    continue
                self.update(k)
                self.update(a)

    def digest(self):
        """Retrieve the digest of the hash."""
        return self.md5.digest()

Answer 5

json.dumps() 可以按键排序字典。所以你不需要其他依赖：

import hashlib
import json

data = ['only', 'lists', [1,2,3], 'dictionaries', {'a':0,'b':1}, 'numbers', 47, 'strings']
data_md5 = hashlib.md5(json.dumps(data, sort_keys=True).encode('utf-8')).hexdigest()

print(data_md5)

打印：

87e83d90fc0d03f2c05631e2cd68ea02

Answer 6

虽然它确实需要对joblib 的依赖，但我发现joblib.hashing.hash(object) 工作得很好，并且设计用于joblib 的磁盘缓存机制。从经验上看，它似乎在每次运行中产生了一致的结果，即使在 pickle 在不同运行中混合的数据上也是如此。

另外，您可能对artemis-ml 的compute_fixed_hash 函数感兴趣，该函数理论上以跨运行一致的方式散列对象。但是，我自己没有测试过。

很抱歉在原始问题发布数百万年后发布?

Answer 7

您可以使用内置的pprint，这将涵盖比建议的json.dumps() 解决方案更多的情况。例如datetime-objects 将被正确处理。

您的示例重写为使用pprint 而不是json：

>>> import hashlib, random, pprint
>>> for i in range(10):
...     k = [i*i for i in range(1000)]
...     random.shuffle(k)
...     d = dict.fromkeys(k, 1)
...     print hashlib.md5(pprint.pformat(d)).hexdigest()
... 
b4e5de6e1c4f3c6540e962fd5b1891db
b4e5de6e1c4f3c6540e962fd5b1891db
b4e5de6e1c4f3c6540e962fd5b1891db
b4e5de6e1c4f3c6540e962fd5b1891db
b4e5de6e1c4f3c6540e962fd5b1891db
b4e5de6e1c4f3c6540e962fd5b1891db
b4e5de6e1c4f3c6540e962fd5b1891db
b4e5de6e1c4f3c6540e962fd5b1891db
b4e5de6e1c4f3c6540e962fd5b1891db
b4e5de6e1c4f3c6540e962fd5b1891db