什么信息描述了两个相同大小的给定大文件之间的数量差异？

Question

通常，为了找出两个二进制文件的不同之处，我使用 diff 和 hexdump 工具。但在某些情况下，如果给出两个相同大小的大型二进制文件，我只想看到它们的数量差异，例如差异区域的数量、累积差异。

示例：2 个文件 A 和 B。它们有 2 个差异区域，它们的累积差异为 6c-a3 + 6c-11 + 6f-6e + 20-22。

File A = 48 65 6c 6c 6f 2c 20 57
File B = 48 65 a3 11 6e 2c 22 57
              |--------|  |--|
                 reg 1   reg 2

我如何使用标准 GNU 工具和 Bash 获取此类信息，或者我应该更好地使用简单的 Python 脚本？关于两个文件如何不同的其他统计数据也可能有用，但我不知道还有什么以及如何测量？熵差？方差差异？

Answer 1

对于除区域之外的所有内容，您都可以使用 numpy。像这样的东西（未经测试）：

import numpy as np
a = np.fromfile("file A", dtype="uint8")
b = np.fromfile("file B", dtype="uint8")

# Compute the number of bytes that are different
different_bytes = np.sum(a != b)

# Compute the sum of the differences
difference = np.sum(a - b)

# Compute the sum of the absolute value of the differences
absolute_difference = np.sum(np.abs(a - b))

# In some cases, the number of bits that have changed is a better
# measurement of change. To compute it we make a lookup array where 
# bitcount_lookup[byte] == number_of_1_bits_in_byte (so
# bitcount_lookup[0:16] == [0, 1, 1, 2, 1, 2, 2, 3, 1, 2, 2, 3, 2, 3, 3, 4])
bitcount_lookup = np.array(
    [bin(i).count("1") for i in range(256)], dtype="uint8")

# Numpy allows using an array as an index. ^ computes the XOR of
# each pair of bytes. The result is a byte with a 1 bit where the
# bits of the input differed, and a 0 bit otherwise.
bit_diff_count = np.sum(bitcount_lookup[a ^ b])

我找不到用于计算区域的 numpy 函数，但只需使用 a != b 作为输入编写自己的函数，这应该不难。请参阅此问题灵感。

Answer 2

我想到的一种方法是对二进制比较算法进行一些修改。例如rsync算法的Python实现。从这里开始应该相对容易地获得文件不同的块范围列表，然后对这些块进行任何您想要做的统计。