没有找到md5文件（文件md5在线加密）
有个读者在微信上问我：百度网盘的秒传功能是如何实现的?
这个问题我其实有想过，我猜测大概是前端计算一个文件的哈希值(比如MD5)发送给后端，网盘服务器判断是否存在这个文件，如果存在就直接在后端完成文件的“转存”，直接告诉前端：上传成功。
不过这是我自己猜测的，到底对不对，一直也没有去验证过。
我把我的猜测告诉了他，结果他问了一句：如果发生哈希冲突了怎么办呢?。
我想了一下又说：那就多加几个哈希!
不过百度网盘到底是怎么做的呢?这位读者既然问到了，我就趁机花了几分钟研究了一下，算是解答了这个疑惑，增加了知识。
MD5 冲突
首先，只用一个哈希值，已经有事实证明是会发生冲突的，而不只是理论上。
比如我在知乎上找到了一个例子，下面两段不同的数据，只相差两个字节：
分别计算md5，结果是一样的：
所以，如果只用一个哈希值就判定是同一个文件，那就比较容易会出现张冠李戴的情况。
甚至，有人还基于此提出一种哈希碰撞攻击：如果我知道一个文件的md5值，但拿不到这个文件，我通过数学计算，构造一个相同md5的文件，那岂不是就把那个文件直接给我转存过来了?如果是一个私密的文件呢?那不出事了!
百度网盘的做法
那百度网盘是咋做的呢?
首先上传一个稍微大一点的文件(小文件有计算哈希的功夫早就传完了)，使用浏览器F12大法，看一下它的网络请求：
可以看到，百度网盘对文件进行了分块传输，这也是目前业界比较流行的做法，对大文件进行分块，如果网络不好断开了，下次只需要传输剩下的分块就行了，做到了断点续传。
不过注意看，在上面分块的中间，插入了一个叫rapidupload接口的请求，从名字你也可以猜出来了，这个接口肯定跟它的“秒传”功能有关系
来看一下请求的参数，是一个Form表单，有这么几个字段：
content-length: 文件长度
content-md5: 文件的MD5
slice-md5: 文件切片的MD5
看到这里你估计猜到了，肯定是这三个参数联合判断，同时满足条件才算是同一个文件!
来看下服务器响应了什么：
秒传成功了!
那如果上传一个后端肯定不存在的文件会是返回什么呢?我构造了一个做测试：
看到了吧，404!说明后端没这个文件，那就老老实实传吧!
接着，我想看一下这个切片md5，百度网盘是怎么在切的。
通过网络通信中的Initiator功能，可以定位到是哪里的JS代码在发生请求：
通过调用堆栈，看到了叫rapidUpload这个函数，再上下一跟进，找到了这个切片MD5计算的地方：
其实就是对文件的前262144个字节，也就是256KB进行计算。如果文件比这还小，那就用不着秒传了。
但奇怪的是，我扣取了文件的前256个字节，计算出来的md5，和它接口中上传的参数并不一致!
这让我疑惑了好几分钟，难道事情没这么简单?
我又打了断点在计算的位置，发现它计算的跟我计算的又是一样的，但通过网络发出去以后就变了，真是薛定谔的MD5，奇怪了!
不过，程序不是量子力学，它不会骗人，很快我就找到了问题所在：百度网盘可能担心自己的路数被发现，对文件的MD5和切片MD5都进行了加密!
这就是加密函数：
一些简单的字符串处理而已。
好了，现在可以回答前面读者的问题了：
百度网盘上传时，如果是超过256KB的文件，将计算整个文件的MD5和文件前256KB内容的MD5，并对两个MD5值加密后请求后端执行秒传。后端通过两个MD5和长度信息判断是否存在该文件，如果存在则完成秒传。
这样做，虽然理论上也不能保证不会发生哈希碰撞，但通过这种方式，至少将概率降低了许多。
最后给大家留一个思考题：后端拿到MD5后，怎么判断后端是否有这个MD5呢? 这可是大厂经常爱考的一个面试题哦，来开动脑筋想一下!
评论