同じファイルを二度 ZIP にしても、SHA-256 が異なるのはなぜか
ある資料フォルダーを二度 ZIP にしたところ、展開したファイルは同じように見えるのに、ZIP の SHA-256 は異なったとします。ファイルが書き換わったのか、圧縮プログラムが不安定なのか、ハッシュの検証に問題があるのか、と疑いたくなるかもしれません。
まず区別すべきなのは、何を比較しているかです。ZIP はファイルの内容を格納するだけでなく、名前や時刻などのアーカイブ情報を記録し、圧縮方法と並べ方も決めます。メンバーのパスと内容が同じでも、ZIP という入れ物の全バイトが同じになる必要はありません。 アーカイブ全体のハッシュには、その入れ物の差も含まれます。
この記事では、固定した二つの説明用ファイルを使い、条件を一つずつ変えて九つの ZIP を生成します。実際の結果から、内容の検査と安定したパッケージの作成方法を考えます。実際のプロジェクトのファイルは使っておらず、一つの環境で得た結果を、すべての圧縮ソフトに一般化するものではありません。
最初に、どの層の「同じ」かを決める
アーカイブには、少なくとも三種類の問いがあります。全体の一致は受け取ったファイルそのものの比較です。メンバーの内容の一致を調べるには、アーカイブの内部へ進みます。展開後に同じように使えるかは、権限や実行環境にも左右され得ます。
| 比較の目的 | 本文で行う検査 | 直接には答えない問い |
|---|---|---|
| ZIP 全体がバイト単位で同じ | バイトを直接比較し、全体の SHA-256 も記録 | 二つの異なる ZIP がなぜ異なるか |
| 各パスに対応するファイルのバイトが同じ | メンバーのパスとデコード後の生のバイトを比較 | 権限や時刻などの属性も同じか |
| 配布後の動作が同じ | 用途に応じた検証が必要 | 前の二つの比較から自動的には導けない |
SHA-256 が受け取るのはバイトです。ZIP 全体を渡せばアーカイブ全体のハッシュになり、特定のメンバーをデコードしてから計算すれば、そのメンバーの内容が入力になります。Python の hashlib 文書でも、入力バイトとそのダイジェストという形で説明されています。Python:hashlib
たとえば、起動スクリプトの文字が完全に同じでも、記録された実行権限が違う場合があります。内容一覧では同じと判定しても、配布の要件としては、その違いを保持する必要があるかもしれません。一方、二つのテキストのパスとバイトだけが要件なら、アーカイブのコメントの差は読書に影響しない場合があります。どちらも用途に応じた判断であり、先に要件を明らかにします。
「展開したら同じ」という判断にも根拠が必要です。エディターで数行を見ただけでは全内容を比較したことにならず、フォルダー名だけでは隠れたメンバーを確認できません。本実験では各エントリーをデコードした結果を直接読み、全バイトを比較します。見た目の類似を内容一致の証拠にはしていません。
同じ二つの内容から、どんな ZIP ができたか
入力は data.txt と readme.txt で、長さはそれぞれ 39000 バイトと 35 バイトです。前者は固定の規則で五百行のテキストを作り、後者には固定した一文を入れます。通常のすべての変種でこの二つのバイト列を使い、現在のディレクトリー、現在時刻、乱数は読みません。
基準の ZIP はファイル名順に並べ、記録時刻を 2026-10-19 20:00:00、通常ファイルの権限を 0644 とし、DEFLATE の圧縮レベル 6 を使います。追加フィールドとコメントは入れません。各変種で変更するのは表に示した条件だけで、ほかは基準と同じです。
| 実験 ZIP | 変更した条件 | 全体のバイト数 | SHA-256 の先頭十六桁 | 基準の全バイトと同じ |
|---|---|---|---|---|
| baseline | 基準 | 2596 | 93dbdb90f3d2edc4 | はい |
| repeat | 同じ設定でもう一度生成 | 2596 | 93dbdb90f3d2edc4 | はい |
| time_plus_2s | 記録時刻を二秒進める | 2596 | 7bfa6055cdd383d7 | いいえ |
| reverse_order | エントリーの書き込み順を逆にする | 2596 | 6912b08575e037d1 | いいえ |
| mode_0600 | 記録する権限を 0600 にする | 2596 | fc6fe670e56c9ec0 | いいえ |
| archive_comment | アーカイブコメントを build B にする | 2603 | ec2ee86748e52fed | いいえ |
| stored | 圧縮せず、そのまま格納 | 39245 | fa217244f0f4a692 | いいえ |
| deflate_level_1 | 圧縮レベルを 1 にする | 2632 | 3a95044fe38b4cad | いいえ |
| time_plus_1s | 記録時刻を一秒進める | 2596 | 93dbdb90f3d2edc4 | はい |
九つすべてで、メンバーのパスとデコード後のバイトは同じであり、CRC の検査も通りました。表のハッシュは読みやすさのために先頭部分だけを示し、添付の結果には完全な値を保存しています。プログラムは全体のバイトも直接比較しており、短く切ったハッシュだけで一致を判定していません。
この結果から、二つの近道は使えないと分かります。同じサイズでもアーカイブ全体が同じとは限らず、サイズが違ってもメンバーの内容が違うとは限りません。時刻、順序、権限を変えた場合はサイズが変わりませんでした。無圧縮にすると ZIP は大きくなりましたが、読み出した二つのテキストはバイト単位で同じでした。
時刻、順序、権限が全体のバイトに入る理由
ZIP はテキストを単に連結したものではありません。PKWARE の仕様には、ローカルファイルヘッダー、中央ディレクトリー、アーカイブの終端レコードが定義されています。中央ディレクトリーには圧縮方法、更新時刻、名前、外部属性などのフィールドがあります。これらも ZIP 自体の一部です。PKWARE:ZIP 形式仕様、4.3・4.4 節
実験では書き込み順を逆にしてもファイルの内容は入れ替わりませんが、ZIP 内での並び方は変わります。権限の変種では、二つの通常ファイルの Unix モードを 0644 から 0600 へ変え、外部属性へ記録しました。確認したのは記録フィールドの変化であり、各 OS が展開時にどう権限を復元するかは検証していません。
時刻の変種には、誤解しやすい点もあります。基本の DOS 時刻フィールドは二秒単位です。本例で秒を 00 から 01 に変えても、読み直すと 00 となり、ZIP 全体も変わりませんでした。02 にすると初めて異なるバイトになりました。この精度は仕様にも明記されています。PKWARE:日付と時刻、4.4.6 節
ただし、どの ZIP も二秒単位でしか時刻を保存できない、という意味ではありません。追加フィールドには別の時刻情報も記録でき、本実験では意図的にそれらを入れていません。一秒の変更が影響しなかったという結果は、ここで採用した基本の時刻記録についてのものです。「ファイルの更新時刻は ZIP に影響しない」と一般化することはできません。
圧縮条件はさらに別の差です。本例のレベル 1 とレベル 6 はどちらも同じ入力へ復元できましたが、圧縮データは異なりました。表のサイズ関係は、この入力とこの実行ライブラリで得た結果です。すべてのファイルでレベルを変えれば必ず小さくなる、大きくなる、あるいは必ずバイトが変わる、という保証にはなりません。
内容だけを比べる一覧には、何を残すか
本例の内容一覧では、メンバーごとにパス、デコード後の長さ、完全な SHA-256 を記録し、パス順に並べます。そのため、ZIP 内のエントリーの順序には影響されず、時刻やアーカイブコメントをテキストの変更と取り違えません。中心となる関数は次のとおりです。必要なモジュールの import は完全なスクリプトに含めています。
def content_manifest(blob):
rows = []
seen = set()
with zipfile.ZipFile(io.BytesIO(blob)) as archive:
for info in archive.infolist():
if info.filename in seen:
raise ValueError("duplicate member: " + info.filename)
seen.add(info.filename)
data = archive.read(info)
rows.append({"name": info.filename, "size": len(data),
"sha256": hashlib.sha256(data).hexdigest()})
return sorted(rows, key=lambda row: row["name"])
なぜパスも必要で、内容のハッシュの集まりだけでは足りないのでしょうか。境界実験では data.txt を renamed.txt へ改名しました。内容もハッシュの集合も同じですが、元のパスは存在しなくなります。ファイル名で設定や資料を読むプログラムにとっては、配布物の違いです。パスが違うために一覧も異なると判定することが、本例の比較目的に合っています。
別の境界では、ファイルの末尾に内容を追加し、一覧が変化を検出することを確認しました。三つ目は、ZIP 内へ同名の readme.txt をもう一件書き込む場合です。関数はこれを明示的に拒否し、辞書に入れる際に黙って上書きすることを避けます。Python の ZIP インターフェースはエントリー情報のオブジェクトで同名メンバーを区別でき、名前が一度しか現れないとは限りません。Python:ZipFile.open と同名エントリー
この一覧は、スクリプトで作る、パスが一意な通常ファイル用です。ディレクトリーツリー全体の完全な同等性検査ではありません。リンク、ディレクトリー属性、拡張属性を比較せず、文字コード、改行、Unicode の表現も正規化しません。見た目が同じでもバイトが違うテキストは、内容が異なると判定します。これは明示的に選んだ規則です。
ZIP 全体を安定させるには、何を固定するか
内容だけの比較では入れ物の差の一部を比較対象から外せますが、同じ ZIP 自体を生成するには、入れ物への入力も制御する必要があります。実験の書き込み関数は、順序、記録時刻、作成システム、通常ファイルのモード、追加フィールド、コメント、圧縮方法、レベルを明示します。
def make_zip(files, *, order=None, stamp=STAMP, mode=0o644,
comment=b"", method=zipfile.ZIP_DEFLATED, level=6):
output = io.BytesIO()
with zipfile.ZipFile(output, "w") as archive:
archive.comment = comment
for name in sorted(files) if order is None else order:
info = zipfile.ZipInfo(name, date_time=stamp)
info.create_system = 3
info.external_attr = (stat.S_IFREG | mode) << 16
info.extra = b""
archive.writestr(info, files[name],
compress_type=method, compresslevel=level)
return output.getvalue()
files はパスから生のバイトへの対応表であり、STAMP は先ほどの固定した六項目の時刻です。メモリ内で ZIP を作るため、入力ファイルのディスク上の更新時刻は変えません。既知のテキスト二つだけなので、通常ファイルの権限を統一する範囲も明確です。実際の配布物に実行ファイルがあるなら、要件に合わせて必要なモードを残すべきで、単一の値を機械的に当てはめるものではありません。
インターフェースの既定値にも注意が必要です。Python 文書によると、writestr に名前だけを渡すと現在時刻が使われます。一方、ZipInfo を渡す場合、既定の圧縮方法は無圧縮の格納です。例では方法とレベルを明示して、意図した設定と実際の既定動作がずれないようにしています。Python:ZipFile.writestr
今回の同一環境内では、この関数で繰り返し作った ZIP は完全に同じでした。しかし、Python の版、圧縮ライブラリ、圧縮ソフトを変えても同じバイト列になるとは保証しません。再現可能なビルドの定義は、ソース、環境、手順、指定する成果物を合わせて扱います。「ファイルが同じ」という条件一つだけではありません。Reproducible Builds:定義
したがって、ここで固定した時刻は説明用の制御された入力であって、すべての記録から実際の時刻を消す提案ではありません。原資料の長期保存では時刻や権限も資料の一部になり得ます。繰り返し生成できる配布パッケージが目的なら、残す属性と標準化する属性を先に決め、その規則を記録します。
すでに異なる ZIP は、どの順で調べるか
まず、元の二つの ZIP と完全なハッシュを残し、同じ層の成果物を比較しているか確認します。配布元が ZIP 全体のハッシュを公表しているなら、内容一覧が一致しても、不一致だった全体の検証が通ったことにはなりません。内容以外の部分に差があるかを調べる、もう一つの情報が得られるだけです。
続いて、全エントリーの一覧でパス、件数、重複名を確認します。それからデコード後の内容を比較し、最後に時刻、順序、圧縮方法、属性、コメントを調べます。差がどの層にあるかを先に判断すると、いきなりハッシュ方式を変えたり再圧縮したりするより、説明に必要な証拠を残しやすくなります。
内容まで変わっているなら、原因は ZIP を作る前にあるかもしれません。たとえば、生成ファイル自体に実行時刻が入っていれば、ZIP の時刻フィールドを固定しても安定しません。これは層を分けた実験から得た調査上の提案であり、実際のプロジェクトでそのような障害を調査したという話ではありません。コンパイラーや配布プラットフォームも検証していません。
Reproducible Builds のアーカイブの手引きでも、時刻、順序、権限、追加フィールドが環境の差を持ち込むと説明しています。Reproducible Builds:アーカイブのメタデータ 個々のツールのオプションは別途確認が必要です。追加フィールドを除くことだけで、順序、全内容、圧縮実装まで固定できるわけではありません。この記事では、一つのコマンドのスイッチを万能な保証としては扱いません。
再現の範囲と、最初の問いへの答え
実験日は 2026 年 10 月 19 日、環境は CPython 3.12.14、zlib のコンパイル時・実行時の版ともに 1.2.12、macOS 27.0.1 arm64 です。標準ライブラリだけで九つの通常の変種と三つの境界用 ZIP を作り、完全なハッシュ、メンバーのフィールド、比較結果を記録します。
実験一式をダウンロードし、展開して実行してください。
python3 zip-byte-identity.py > reproduced.json
生成した ZIP 自体も確認したい場合は、次を実行できます。
python3 zip-byte-identity.py --write-zips generated > reproduced.json
二つ目のコマンドでは、既存のディレクトリーを上書きしないように、generated がまだ存在しないことを要求します。スクリプトは Python 3.9 以降の構文を使い、今回確認したのは上記の環境だけです。スクリプト、今回の結果 JSON、再現手順も個別に取得できます。実験一式には生成した十二個の ZIP も含めました。すべて小さな既知の説明用入力であり、大規模アーカイブ、暗号化、ほかの展開ツール、OS 間の属性の復元は試していません。
最初の現象は、矛盾ではありません。同じメンバーのパスと内容を、異なる ZIP のバイト列で表すことができます。 全体の SHA-256 が違えば、二つの ZIP は同じバイト列ではありません。内容まで違うかどうかは、さらにメンバーを比較して調べます。受け取った元の ZIP、ファイル内容、配布後の動作のどれを確認するのかを先に決めることで、問いに合った証拠を選べます。