本教程详细介绍了如何使用python比较两个文件夹（包括子文件夹）中的html文件，并找出在第一个文件夹中存在但在第二个文件夹中不存在的文件。文章将深入探讨`os.listdir`与`os.walk`在文件遍历上的区别，强调使用`os.walk`进行递归搜索的重要性，并通过集合操作高效实现文件列表的差异化对比。此外，还将提供代码示例、路径处理的最佳实践及输出定制方法。
1. 理解文件差异对比的需求
在日常开发和数据管理中，经常需要对比两个文件夹的内容，以找出它们之间的差异。例如，在一个主文件夹A中包含大量文件，而其子文件夹B中包含部分已处理或翻译过的文件。我们的目标是识别出那些存在于主文件夹A（包括其子目录），但却不存在于子文件夹B（包括其子目录）中的特定类型文件（如HTML文件）。
这个任务的关键在于如何正确地遍历文件夹结构，尤其当涉及到多层子目录时，以及如何准确地比较文件。
2. 常见误区：os.listdir() 的局限性
许多初学者在尝试解决此类问题时，可能会首先想到使用 os.listdir() 函数。然而，os.listdir() 仅列出指定目录下的直接文件和子目录名，它不会递归地深入到子目录中。
考虑以下初始尝试的代码：
立即学习“Python免费学习笔记（深入）”；
import os
folder1 = r"C:\Folder-Oana\extracted"
folder2 = r"C:\Folder-Oana\extracted\translated"
# 错误尝试：使用 os.listdir() 获取文件
html_files_folder1 = [f.lower() for f in os.listdir(folder1) if f.lower().endswith('.html')]
html_files_folder2 = [f.lower() for f in os.listdir(folder2) if f.lower().endswith('.html')]
# 尝试找出差异
missing_files = list(set(html_files_folder1) - set(html_files_folder2))
if missing_files:
print("在 folder 1 中找到但不在 folder 2 中的 HTML 文件:")
for filename in missing_files:
print(filename)
else:
print("在 folder 1 中没有找到不在 folder 2 中的 HTML 文件。")这段代码的问题在于：
- html_files_folder1 仅包含 folder1 根目录下的HTML文件，不会包含 folder1\translated 目录下的文件。
- html_files_folder2 仅包含 folder2 根目录下的HTML文件。
- 最重要的是，它只比较了文件的名称，而没有考虑文件的完整路径。如果 folder1 中有一个 index.html，而 folder2 中有一个 subfolder\index.html，它们是不同的文件，但 os.listdir() 这种方式可能会将它们视为同名文件，导致比较结果不准确。
因此，当需要处理包含子目录的复杂文件结构时，os.listdir() 显然无法满足递归遍历和准确路径比较的需求。
3. 解决方案：利用 os.walk() 递归遍历文件
为了正确地遍历所有子目录并获取文件的完整路径，Python 的 os.walk() 函数是理想的选择。os.walk() 会生成目录树中的文件名，通过在目录树中游走，它为树中的每个目录生成一个三元组 (dirpath, dirnames, filenames)。
以下是使用 os.walk() 解决文件差异对比问题的完整代码示例：
import os
# 定义需要比较的两个文件夹路径
# 注意：folder2 是 folder1 的一个子目录
folder1 = r"C:\Folder-Oana\extracted"
folder2 = r"C:\Folder-Oana\extracted\translated"
def get_html_files_recursively(directory):
"""
递归地获取指定目录及其所有子目录中的HTML文件的完整路径。
文件路径会被转换为小写，以实现大小写不敏感的比较。
"""
html_files_set = set() # 使用集合存储文件路径，提高查找效率并自动去重
try:
for root, _, files in os.walk(directory):
for file in files:
if file.lower().endswith('.html'):
# 构建文件的完整路径，并转换为小写进行统一比较
full_path = os.path.join(root, file).lower()
html_files_set.add(full_path)
except OSError as e:
print(f"访问目录 '{directory}' 时发生错误: {e}")
return html_files_set
if __name__ == "__main__":
print(f"正在比较文件夹: '{os.path.basename(folder1)}' 和 '{os.path.basename(folder2)}'")
# 获取两个文件夹中所有HTML文件的完整路径集合
html_files_in_folder1 = get_html_files_recursively(folder1)
html_files_in_folder2 = get_html_files_recursively(folder2)
# 找出在 folder1 中存在但在 folder2 中不存在的文件
# 这里比较的是文件的完整路径，确保了精确性
unique_to_folder1 = html_files_in_folder1 - html_files_in_folder2
# 输出结果
if unique_to_folder1:
print(f"\n以下HTML文件存在于 '{os.path.basename(folder1)}' 及其子目录中，")
print(f"但不存在于 '{os.path.basename(folder2)}' 及其子目录中:")
# 为了输出清晰，我们将结果按路径排序，并可以选择只显示文件名
for filepath in sorted(list(unique_to_folder1)):
# 示例：如果只需要文件名，可以使用 os.path.basename()
# print(os.path.basename(filepath))
# 示例：如果需要显示相对于 folder1 的路径
relative_path = os.path.relpath(filepath, folder1)
print(relative_path)
else:
print(f"\n在 '{ 
