这是一个创建于 1099 天前的主题，其中的信息可能已经有所发展或是发生改变。
孤陋寡闻，昨天刚知道秒传油猴脚本这个东西，于是结合源码抓包研究了一下。
其基本原理可以用这篇文章嘿嘿，我发现了百度网盘秒传的秘密 - 51CTO.COM的这段话总结：
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。
可能文章过时了，我没有发现对两个 MD5 值的加密，但发现了另一个现象，不得要领。描述如下：
百度页面提供的获取文件列表的 xhr 请求中可以看到每个文件的 MD5 （简称 MD5A ）, 秒传请求中使用整个文件的 MD5 （简称 MD5B ）和前 256KB 内容的 MD5 （简称 MD5C ）。我发现有些文件的 MD5A 跟 MD5B 一致，有些文件的则不一致，并且这跟文件大小没有什么关系。MD5A 就是算出来哪个，而 MD5B 是从文件下载请求的响应 headers 中获取的，在 Content-MD5 字段。
所以请问，这个 MD5B 是怎么来的，怎么会跟 MD5A 不一致呢？已经有 MD5C 用来规避 MD5 碰撞了，这种设计又是为了什么？
第 1 条附言 · 2021-11-27 01:20:43 +08:00
更正：正文有误，MD5B 才是全量文件的真实 MD5 。
第 2 条附言 · 2021-11-29 16:44:09 +08:00
看到qjfoidnh/BaiduPCS-Go: iikira/BaiduPCS-Go原版基础上集成了分享链接/秒传链接转存功能有关于MD5的叙述，也许MD5A可能是分片上传导致的：
- 分片上传之后, 服务器可能会记录到错误的文件md5, 可使用 fixmd5 命令尝试修复文件的MD5值, 修复md5不一定能成功, 但文件的完整性是没问题的.
- 禁用分片上传可以保证服务器记录到正确的md5.
- 禁用分片上传时只能使用单线程上传, 指定的单个文件上传最大线程数将会无效.
使用分片上传文件, 当文件分片数大于1时, 百度网盘服务端最终计算所得的md5值和本地的不一致, 这可能是百度网盘的bug.
不过把上传的文件下载到本地后，对比md5值是匹配的, 也就是文件在传输中没有发生损坏.
对于MD5值可能有误的文件, 程序会在获取文件的元信息时, 给出MD5值 "可能不正确" 的提示, 表示此文件可以尝试进行MD5值修复.
修复文件MD5不一定能成功, 原因可能是服务器未刷新, 可过几天后再尝试.
修复文件MD5的原理为秒传文件, 即修复文件MD5成功后, 文件的创建日期, 修改日期, fs_id, 版本历史等信息将会被覆盖, 修复的MD5值将覆盖原先的MD5值, 但不影响文件的完整性.
注意: 无法修复 20GB 以上文件的 md5!
 |
1
kiotech 2021-11-26 14:43:26 +08:00
可能是为了优化性能，File Meta 信息生成 MD5 值 A ，文件内容生成 MD5 值 B 。文件内容相同，但修改了文件名称 /日期等 meta ，会导致 MD5 变化。
|
 |
2
JinTianYi456 2021-11-26 15:29:44 +08:00
> 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！
怎么搞？有奇淫技巧？ |
 |
3
kera0a 2021-11-26 15:42:22 +08:00 via iPhone  2
@JinTianYi456 布隆过滤器
|
|
4
JinTianYi456 2021-11-26 16:31:10 +08:00
@kera0a #3 感觉好像有点不对，比如后端拿到 md5 了，返回一定存在，那就秒传成功；返回 unknown ，那就开始上传，大不了多存一份呗。但如果是布隆过滤器，返回一定不存在，那就开始上传；返回 unknown ，也得上传啊。
|
 |
5
finab 2021-11-26 17:05:44 +08:00
@JinTianYi456
我没有真的做过类似的东西，我只是简单的考虑哈~ 先走布隆过滤器，返回一定不存在，至少这部分查询就已经确切完成了，不能闪存的文件就可以开始上传了（新文件和个人文件不知道占多少查询比率）查询结束。 已经上传过的文件，可以再查一个缓存，是返回一定存在或 unknown , 可以缓存热门文件之类的。 再之后就是查个人缓存或者查库或者直接传都行，这部分 上传过又不是热门的文件 量 相对来说就很少了。 |
 |
6
selfcreditgiving 2021-11-26 17:47:29 +08:00 1
做过分片上传功能的就知道怎么回事了。一个大文件算 MD5 很慢的，在客户浏览器计算 md5 ，如果是 1G 文件等个 10 秒用户才看到上传进度条开始动，这个不太能接受。百度是文件头尾各取一部分内容合并起来生成“伪文件 md5”（一定程度上可以当做是一个文件的唯一 ID ）。
第二个 MD5 是等大文件上传后，在后端再生成的“真文件 MD5”。 |
|
7
selfcreditgiving 2021-11-26 18:07:48 +08:00
|
 |
8
nowheretoseek OP @selfcreditgiving 有道理，我没相关经验就是参不透。所以 MD5B 即 Content-MD5 字段获取的才是完整文件的 MD5 ，MD5A 是最初上传时在客户端生成的吧
|
|
9
selfcreditgiving 2021-11-26 22:24:30 +08:00 1
@nowheretoseek
>百度页面提供的获取文件列表的 xhr 请求中可以看到每个文件的 MD5 （简称 MD5A ）, 秒传请求中使用整个文件的 >MD5 （简称 MD5B ）和前 256KB 内容的 MD5 （简称 MD5C ）。 从这句话分析的话，肯定是秒传请求的是 客户端生成的“快速版的 MD5”。获取文件列表请求的 MD5 是真实的 文件全量 MD5 |
|
10
nowheretoseek OP @selfcreditgiving 我找了个小点的文件验证，发现文件下载时从 headers 中拿到的 MD5B 是全量 MD5 ，文件列表 xhr 请求中给出 MD5A 的不是。Content-MD5 在响应头中，作为真实 MD5 ，供客户端验证下载的文件无误，也是应有之义。
根据你前面的讲解，有无可能 MD5A 是在初次上传时生成，仅作为标识符使用？总之，它在哪个环节、根据什么规则、为了什么而生成，我还是不太清楚。 |
|
11
nowheretoseek OP @selfcreditgiving 提问时找了几个文件验证，正好 MD5A 与根据文件算出来的 MD5 一致，而 MDB5 要下载抓包才能知道，想当然就认为 MD5A 是全量文件的 MD5 了，已附言更正。抱歉。
|
Select Language