z230

Mazání Library/10 První skript.py

@@ -0,0 +1,200 @@
+import os
+import sys
+import pymysql
+import pymysql.cursors
+
+# ================= KONFIGURACE =================
+
+# --- BEZPEČNOSTNÍ POJISTKA ---
+# True  = POUZE VÝPIS (nic se nesmaže, databáze se nezmění)
+# False = OSTRÝ REŽIM (maže soubory i záznamy v DB!)
+DRY_MODE = True
+
+# 1. Přístup k MySQL
+DB_CONFIG = {
+    'host': '192.168.1.76',
+    'port': 3307,
+    'user': 'root',
+    'password': 'Vlado9674+',
+    'db': 'torrents',
+    'charset': 'utf8mb4',
+    'autocommit': True
+}
+
+TABULKA = "file_md5_index"
+
+# 2. Mapování cest
+SERVER_PREFIX = "/mnt/user/Library"
+# Používáme 'r' pro raw string, aby se zpětná lomítka chápala správně
+LOCAL_PREFIX = r"\\tower1\#library"
+
+
+# ===============================================
+
+def get_connection():
+    return pymysql.connect(
+        cursorclass=pymysql.cursors.DictCursor,
+        **DB_CONFIG
+    )
+
+
+def convert_path(db_path):
+    """Převede cestu z Linux serveru na lokální cestu Windows."""
+    if db_path.startswith(SERVER_PREFIX):
+        relative_path = db_path[len(SERVER_PREFIX):]
+        # Ořízneme počáteční lomítka z relativní cesty, aby fungoval join
+        relative_path = relative_path.lstrip("/").lstrip("\\")
+        # Spojí cesty a opraví lomítka
+        local_path = os.path.join(LOCAL_PREFIX, relative_path)
+        return os.path.normpath(local_path)
+    return None
+
+
+def step_1_mark_duplicates():
+    print(f"\n--- KROK 1: Hledání duplicit v DB (DRY_MODE={DRY_MODE}) ---")
+
+    try:
+        conn = get_connection()
+        with conn.cursor() as cursor:
+            if DRY_MODE:
+                # V DRY_MODE jen počítáme, co bychom označili (neprovádíme UPDATE)
+                sql = f"""
+                SELECT COUNT(*) as pocet
+                FROM {TABULKA} t1
+                JOIN {TABULKA} t2 ON t1.blake3 = t2.blake3
+                WHERE t1.host_name = 'TOWER1' 
+                  AND t2.host_name = 'SYNOLOGY'
+                  AND (t1.to_delete IS NULL OR t1.to_delete = 0);
+                """
+                cursor.execute(sql)
+                result = cursor.fetchone()
+                affected = result['pocet']
+                print(f"[DRY-RUN] Našel jsem {affected} shodných záznamů (DB nebude změněna).")
+            else:
+                # V OSTRÉM režimu provádíme UPDATE
+                sql = f"""
+                UPDATE {TABULKA} t1
+                JOIN {TABULKA} t2 ON t1.blake3 = t2.blake3
+                SET t1.to_delete = 1
+                WHERE t1.host_name = 'TOWER' 
+                  AND t2.host_name = 'SYNOLOGY'
+                  AND (t1.to_delete IS NULL OR t1.to_delete = 0);
+                """
+                print("Provádím UPDATE záznamů v databázi...")
+                cursor.execute(sql)
+                affected = cursor.rowcount
+                conn.commit()
+                print(f"Hotovo. Označeno {affected} záznamů ke smazání.")
+
+        conn.close()
+        return affected
+
+    except pymysql.MySQLError as e:
+        print(f"Chyba MySQL při označování: {e}")
+        sys.exit(1)
+
+
+def step_2_delete_files():
+    print(f"\n--- KROK 2: Mazání souborů (DRY_MODE={DRY_MODE}) ---")
+
+    try:
+        conn = get_connection()
+        files_to_process = []
+
+        with conn.cursor() as cursor:
+            print("Stahuji seznam souborů...")
+
+            if DRY_MODE:
+                # V DRY_MODE nemůžeme hledat podle 'to_delete=1' (protože jsme nic neoznačili),
+                # takže musíme použít JOIN dotaz přímo pro simulaci výpisu.
+                sql = f"""
+                SELECT t1.id, t1.full_path 
+                FROM {TABULKA} t1
+                JOIN {TABULKA} t2 ON t1.blake3 = t2.blake3
+                WHERE t1.host_name = 'TOWER' 
+                  AND t2.host_name = 'SYNOLOGY'
+                  AND (t1.to_delete IS NULL OR t1.to_delete = 0)
+                """
+            else:
+                # V OSTRÉM režimu bereme to, co jsme v kroku 1 označili
+                sql = f"SELECT id, full_path FROM {TABULKA} WHERE host_name = 'TOWER' AND to_delete = 1"
+
+            cursor.execute(sql)
+            files_to_process = cursor.fetchall()
+
+        count = len(files_to_process)
+        print(f"Nalezeno {count} souborů.")
+
+        if count == 0:
+            print("Žádné soubory k zpracování. Konec.")
+            return
+
+        # V ostrém režimu se zeptáme na potvrzení
+        if not DRY_MODE:
+            confirm = input(f"-> [POZOR] Opravdu chcete SMAZAT {count} souborů? (napište 'ano'): ")
+            if confirm.lower() != 'ano':
+                print("Operace zrušena.")
+                return
+        else:
+            print("-" * 40)
+            print("VÝPIS SOUBORŮ, KTERÉ BY BYLY SMAZÁNY:")
+            print("-" * 40)
+
+        deleted_counter = 0
+        errors = 0
+
+        for row in files_to_process:
+            db_id = row['id']
+            server_path = row['full_path']
+            local_path = convert_path(server_path)
+
+            if not local_path:
+                print(f"[SKIP PATH] Nesedí prefix: {server_path}")
+                continue
+
+            # --- LOGIKA DRY RUN vs REAL ---
+            if DRY_MODE:
+                # Pouze výpis
+                print(f"[DRY-RUN] Bylo by smazáno: {local_path}")
+                deleted_counter += 1
+            else:
+                # Ostré mazání
+                try:
+                    if os.path.exists(local_path):
+                        os.remove(local_path)
+                        print(f"[OK SMAZÁNO] {local_path}")
+
+                        # Smazání z DB
+                        with conn.cursor() as del_cursor:
+                            del_sql = f"DELETE FROM {TABULKA} WHERE id = %s"
+                            del_cursor.execute(del_sql, (db_id,))
+                        conn.commit()
+                        deleted_counter += 1
+                    else:
+                        print(f"[NENÍ NA DISKU] Mažu jen z DB: {local_path}")
+                        with conn.cursor() as del_cursor:
+                            del_sql = f"DELETE FROM {TABULKA} WHERE id = %s"
+                            del_cursor.execute(del_sql, (db_id,))
+                        conn.commit()
+                        deleted_counter += 1
+
+                except OSError as e:
+                    print(f"[CHYBA OS] {local_path}: {e}")
+                    errors += 1
+                except pymysql.MySQLError as e:
+                    print(f"[CHYBA DB] ID {db_id}: {e}")
+
+        conn.close()
+        print("-" * 30)
+        if DRY_MODE:
+            print(f"DRY RUN DOKONČEN. Zobrazena simulace pro {deleted_counter} souborů.")
+        else:
+            print(f"HOTOVO. Úspěšně smazáno: {deleted_counter}, Chyby: {errors}")
+
+    except pymysql.MySQLError as e:
+        print(f"Kritická chyba DB: {e}")
+
+
+if __name__ == "__main__":
+    step_1_mark_duplicates()
+    step_2_delete_files()

Pandas/10 DuplicateTest.py

@@ -0,0 +1,67 @@
+import pandas as pd
+from sqlalchemy import create_engine
+import time
+
+# --- KONFIGURACE ---
+db_user = 'root'
+db_pass = 'Vlado9674+'
+db_host = '192.168.1.76'
+db_port = '3307'
+db_name = 'torrents'  # <--- ZDE DOPLNIT NÁZEV DATABÁZE
+
+# --- PŘIPOJENÍ ---
+connection_string = f'mysql+mysqlconnector://{db_user}:{db_pass}@{db_host}:{db_port}/{db_name}'
+engine = create_engine(connection_string)
+
+# SQL dotaz - vybíráme i full_path, abychom mohli v Pandas ukázat příklad cesty
+# POZOR: Načítání 5.8M textových řetězců (full_path) zabere dost RAM (odhadem 2-4 GB).
+query = """
+SELECT id, blake3, file_size, full_path 
+FROM file_md5_index FORCE INDEX (idx_full_path_prefix)
+WHERE host_name='Tower1' AND full_path LIKE '/mnt/user/#Library%'
+"""
+
+print("1. Začínám stahovat data z MySQL do RAM...")
+start_load = time.time()
+
+try:
+    # Stáhnutí dat
+    df = pd.read_sql(query, engine)
+    end_load = time.time()
+    print(f"-> Data stažena za: {end_load - start_load:.2f} sekund")
+    print(f"-> Počet řádků v paměti: {len(df)}")
+
+    print("\n2. Začínám hledat duplicity (Pandas GroupBy)...")
+    start_process = time.time()
+
+    # Logika hledání duplicit
+    # Najdeme jen ty, co mají duplicitní hash
+    duplicity = df[df.duplicated(subset=['blake3'], keep=False)]
+
+    if not duplicity.empty:
+        # Seskupení
+        vysledek = duplicity.groupby('blake3').agg({
+            'file_size': 'first',  # Velikost souboru (předpokládáme stejnou pro stejný hash)
+            'id': 'count',  # Počet výskytů
+            'full_path': lambda x: x.iloc[0]  # Ukázka první cesty (rychlejší než 'first')
+        }).rename(columns={'id': 'pocet_kopii'})
+
+        # Filtrujeme jen ty, co mají skutečně více kopií a seřadíme podle velikosti * počet kopií
+        # (Chceme vidět, kde plýtváme nejvíc místa)
+        vysledek['celkove_plytvani'] = vysledek['file_size'] * (vysledek['pocet_kopii'] - 1)
+        vysledek = vysledek.sort_values('celkove_plytvani', ascending=False)
+
+        end_process = time.time()
+        print(f"-> Zpracováno za: {end_process - start_process:.4f} sekund")
+
+        print("\n--- TOP 20 NEJVĚTŠÍCH DUPLICIT ---")
+        # Zobrazíme hash, počet kopií, velikost jednoho souboru a ukázku cesty
+        print(vysledek[['pocet_kopii', 'file_size', 'full_path']].head(20))
+
+        print(f"\nCelkem nalezeno {len(vysledek)} unikátních souborů, které mají duplicity.")
+    else:
+        print("Nebyly nalezeny žádné duplicity.")
+
+except Exception as e:
+    print(f"\nCHYBA: {e}")
+    print("Zkontrolujte prosím název databáze a jestli máte dost paměti RAM.")