同一批文件打包两次,ZIP 的 SHA-256 为什么可能不同?
假设把一份资料目录先后打成两个 ZIP,解压后文件看起来一样,压缩包的 SHA-256 却不同。直觉上可能会怀疑:文件是不是被改过,压缩程序是不是不稳定,或者哈希校验出了问题?
这个现象首先需要区分比较对象。一个 ZIP 文件除了装着文件内容,还要记录名字、时间和其他归档信息,也要决定怎样压缩和排列它们。成员文件的路径与内容相同,并不要求 ZIP 容器的全部字节相同。 对整个压缩包计算的摘要,自然会把容器里的差异一起算进去。
本文用两份固定的教学文件,逐项改变打包条件,观察九份 ZIP 的实际结果,再讨论怎样检查内容、怎样得到稳定的包。没有使用真实项目文件,也没有把同一环境内的实验扩展成所有压缩软件都一致的结论。
先说明“相同”指哪一层
对一个压缩包,至少可以问三个不同的问题。整包是否一样,比较的是收到的那一个文件;成员内容是否一样,需要进入归档内部;解压后是否具备相同使用效果,还可能取决于权限和运行环境。
| 比较目标 | 本文采用的检查 | 没有直接回答的问题 |
|---|---|---|
| 整个 ZIP 逐字节相同 | 直接比较字节,并记录整包 SHA-256 | 两个不同的包为何不同 |
| 路径对应的文件字节相同 | 比较成员路径与解码后的原始字节 | 权限、时间等属性是否相同 |
| 交付后行为相同 | 需要按用途验证 | 不能由前两种比较自动推出 |
SHA-256 接收的是字节。把整个 ZIP 交给它,就得到整个容器的摘要;先解码某个成员、再计算摘要,输入则变成了那个成员的内容。Python 的 hashlib 文档也按输入字节与摘要来描述这一过程。Python:hashlib
例如,一份启动脚本的文字完全相同,但记录的可执行权限不同,内容清单可以认为它们相等,部署需求却可能要求保留这项差异。反过来,发布物只要求两份文本的路径和字节一致时,归档注释不同未必影响阅读。这两种判断各有用途,应先写清交付要求。
因此,“解压后一样”也要说明依据。只在编辑器里看了几行,可能没有比较完整内容;只看目录名称,又没有检查隐藏成员。本文直接读取每个实验条目的解码结果并比较全部字节,没有把视觉相似当作内容相同的证明。
同样的两份内容,实际得到哪些不同的包
输入包括 data.txt 和 readme.txt,长度分别为 39000 与 35 字节。前者由脚本按固定规则生成五百行文本,后者是一句固定说明。所有普通变体都沿用这两份字节,没有读入当前目录、当前时间或随机数。
基准包按文件名排序,记录固定时间 2026-10-19 20:00:00、普通文件权限 0644,使用 DEFLATE 压缩级别 6,不写额外字段和注释。每个变体只改变表中所列条件,其他设置沿用基准。
| 实验包 | 改变的条件 | 整包字节数 | SHA-256 前十六位 | 与基准整包相同 |
|---|---|---|---|---|
| baseline | 基准 | 2596 | 93dbdb90f3d2edc4 | 是 |
| repeat | 相同设置再生成一次 | 2596 | 93dbdb90f3d2edc4 | 是 |
| time_plus_2s | 记录时间增加两秒 | 2596 | 7bfa6055cdd383d7 | 否 |
| reverse_order | 倒转条目写入顺序 | 2596 | 6912b08575e037d1 | 否 |
| mode_0600 | 记录权限改为 0600 | 2596 | fc6fe670e56c9ec0 | 否 |
| archive_comment | 归档注释改为 build B | 2603 | ec2ee86748e52fed | 否 |
| stored | 只存储,不压缩 | 39245 | fa217244f0f4a692 | 否 |
| deflate_level_1 | 压缩级别改为 1 | 2632 | 3a95044fe38b4cad | 否 |
| time_plus_1s | 记录时间增加一秒 | 2596 | 93dbdb90f3d2edc4 | 是 |
表中九份包的成员路径与解码后字节全部相同,CRC 检查也均通过。哈希这里只显示前缀,方便阅读,附件保存完整摘要;程序同时直接比较整包字节,不靠截短后的前缀判断相等。
这个结果也排除了两种捷径:相同大小不能证明整包相同,不同大小也不能证明成员内容不同。修改时间、顺序和权限时,包的长度都没变;换成不压缩的存储方式后,包明显变大,但读取出的两份文本仍然逐字节相同。
为什么时间、顺序与权限能进入整包结果
ZIP 并非简单地把文本接在一起。PKWARE 的格式说明列出了本地文件头、中央目录与归档结束记录;中央目录包含压缩方法、修改时间、名字、外部属性和其他字段。这些记录本来就是压缩包的一部分。PKWARE:ZIP 格式说明,4.3 与 4.4 节
实验中,倒转写入顺序并未交换文件的内容,却改变了条目在包里的排列。权限变体则把两份普通文件的 Unix 模式从 0644 改成 0600,将该模式写进外部属性;这里只验证记录的字段发生变化,没有测试不同操作系统解压时怎样恢复权限。
时间变体还有一个容易误判的细节。基础 DOS 时间字段以两秒为精度。本例把秒从 00 改为 01 后,重新读到的仍是 00,整个包也没变;改为 02 才产生不同字节。格式说明明确列出了这项精度。PKWARE:日期与时间字段,4.4.6 节
这不意味着所有 ZIP 都只能保存到两秒。额外字段还可以记录其他时间信息,本实验特意不写这些字段。观察到一秒改动没影响,只能解释这里采用的基础时间记录,不能推广成“文件修改时间对压缩包没有影响”。
压缩参数属于另一层差异。本例级别 1 与级别 6 都能还原相同输入,却生成不同压缩数据。表中的大小关系只是这份输入和这套运行库的实测,不能据此保证每个文件换一个级别都会变小、变大,或者一定产生不同字节。
如果只想比较内容,清单应该保留什么
本例的内容清单为每个成员保留路径、解码后长度与完整 SHA-256,再按路径排序。这样,清单不会受条目在 ZIP 中的排列顺序影响,也不会把时间戳与归档注释误当成文本变化。核心函数如下,相关模块的导入包含在完整脚本里:
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"])
为什么必须保留路径,而不只收集一堆内容摘要?实际边界实验把 data.txt 改名为 renamed.txt,内容没有改变,摘要的集合也一样,但原路径已经不存在了。对按文件名读取配置或资料的程序,这显然是交付差异。清单因路径不同而判为不同,才符合本例的比较目标。
另一个边界是在文件末尾增加内容,清单正确检测到变化。第三个边界在 ZIP 里写入第二条同名的 readme.txt;函数明确拒绝它,而没有直接放入字典后悄悄覆盖。Python 的 ZIP 接口允许用条目信息对象区分同名成员,不能假定一个名字天然只出现一次。Python:ZipFile.open 与同名条目
这个清单只服务于脚本构造的、路径唯一的普通文件,不是完整的目录树等价检查。它没有比较链接、目录属性和扩展属性,也没有把不同文字编码、不同换行或不同 Unicode 写法归一化。字节不同但看起来一样的文本,仍会被判为内容不同,这是明确选择的规则。
想让整包稳定,需要固定哪些输入
只比较内容可以绕开部分容器差异,生成同样的整包却需要控制容器的输入。实验的写入函数明确指定条目顺序、记录时间、创建系统、普通文件模式、额外字段、注释、压缩方法与级别:
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()
这里的 files 是路径到原始字节的映射,STAMP 是前面那组六字段的固定时间。函数在内存中写包,不会替输入文件更改磁盘上的修改时间。因为示例只有两份已知文本,统一普通文件权限有明确适用范围;实际发布物若含可执行文件,应按交付要求保留所需的模式,不能机械套用同一个值。
还要留意接口的默认行为。Python 文档说明,writestr 只收到名字时会使用当前时间;传入 ZipInfo 时,默认压缩方法又是只存储。示例显式传入方法和级别,避免以为配置生效,实际却走了另一组默认值。Python:ZipFile.writestr
在本次同一环境里,这个函数重复生成的包完全相同。它不保证换一版 Python、另一套压缩库或另一种压缩软件,仍得到同一字节流。可复现构建的定义同时约束源码、环境、指令与指定产物,不能只保留“文件相同”一个条件。Reproducible Builds:定义
因此,本文固定的时间是教学用的可控输入,并非建议给所有档案抹掉真实时间。若目标是长期保存原始资料,时间和权限本身也可能是资料的一部分;若目标是可重复的发布包,则应先约定哪些属性保留、哪些标准化,并记录这套规则。
怎样排查一个已经不同的 ZIP
先保留两份原始包与完整哈希,确认比较的是同一层产物。若对方公布的是整个 ZIP 的摘要,内容清单相同并不能使不匹配的整包校验变成通过。它只提供另一层信息:可以继续追查差异是否位于成员内容之外。
随后比较完整条目列表,检查路径、数量与重复名字;再比较解码后的内容,最后查看时间、顺序、压缩方法、属性与注释。先判断差异在哪一层,比先换哈希算法或重新压缩更容易保留解释所需的证据。
若内容也变了,原因可能在打包之前。例如生成文件本身包含运行时间,固定 ZIP 的时间字段仍无法让它稳定。这是从分层实验得到的排查建议,本文没有为某个真实项目定位过这样的故障,也没有测试编译器或发布平台。
Reproducible Builds 的归档指南同样提醒时间、排序、权限和额外字段会带入环境差异。Reproducible Builds:归档元数据 具体工具的选项仍需单独确认:清理额外字段,不等于同时固定了顺序、所有内容与压缩实现。本文没有把某一个命令行开关包装成通用保证。
复现范围与开头问题的答案
实验于 2026 年 10 月 19 日运行,环境为 CPython 3.12.14、zlib 编译及运行版本 1.2.12、macOS 27.0.1 arm64。脚本仅使用标准库,生成九份普通变体与三份边界包,记录完整摘要、成员字段和比较结果。
下载完整实验包,解压后运行:
python3 zip-byte-identity.py > reproduced.json
若还想自己查看生成的 ZIP,可以运行:
python3 zip-byte-identity.py --write-zips generated > reproduced.json
第二条命令要求 generated 尚不存在,以免覆盖已有目录。脚本采用 Python 3.9 及以上语法,本次只验证了上述运行环境。也可分别下载脚本、本次结果 JSON与复现说明;实验包另含十二份生成的 ZIP。它们都是很小的已知教学输入,没有测试大型归档、加密、其他解压器或跨系统属性恢复。
开头的现象因此并不矛盾:相同的成员路径与内容,可以有多种不同的 ZIP 表示。 整包 SHA-256 不同,首先说明两份包不是同一份字节;是否还存在内容差异,需要再比较成员。先确定要验证的是收到的原包、文件内容,还是交付后的行为,才能选到与问题相符的证据。