c++怎么在Linux下获取文件系统Inode号并实现文件去重逻辑【底层】

说到 Linux 下用 C++ 获取文件 inode，很多人第一反应就是 stat() 系统调用。但这里有个关键点：st_ino 本身并不可靠，必须和 st_dev 组合起来，才能形成一个跨文件系统的唯一标识对。否则，去重逻辑很容易翻车。

怎么用 C++ 调用 stat() 正确读取 inode 号

Linux 没有所谓的“C++ 原生 inode API”，一切还得靠 POSIX 系统调用。核心就是把 struct stat 填满，其中 st_ino 就是你要的值——但前提是调用成功，路径有效。

• stat() 默认不跟随符号链接，如果你想获取软链接自身（而不是它指向的目标）的 inode，那就得用 lstat()。
• 返回值必须检查：if (stat(path.c_str(), &sb) != 0)，否则 sb.st_ino 里全是随机垃圾，用了就出大事。
• 常见失败原因：路径不存在、权限不足、路径是悬空符号链接（此时 errno 会变成 ENOENT 或 ELOOP）。
• 别忘了 #include 和 #include ，少了这两个头文件，编译直接报错。

举个最简单的例子：

struct stat sb;
std::string path = "/tmp/test.txt";
if (stat(path.c_str(), &sb) == 0) {
    std::cout << "inode: " << sb.st_ino << ", dev: " << sb.st_dev << "\n";
} else {
    perror(("stat " + path).c_str()); // 自动打印 errno 对应的错误信息
}

为什么不能只比 st_ino？必须组合 st_dev 才能去重

st_ino 在单个挂载点内是唯一的，但不同设备（比如根目录 / 和 /home 可能是不同磁盘或 LVM 逻辑卷）上完全可能重复。举个例子：两个文件 st_ino == 12345，一个在 SSD 上，一个在 NFS 挂载点上，它们之间没有任何关系。

• 真正能唯一标识一个文件的，是二元组 (st_dev, st_ino)。
• st_dev 是设备号（主设备号+次设备号打包在一起），可以用 major(sb.st_dev) / minor(sb.st_dev) 拆解，但通常直接比较原始值更稳妥。
• 在 NFS 场景下，st_dev 可能被服务端统一映射成伪设备号，此时 (st_dev, st_ino) 在客户端之间仍然不唯一——如果你在集群中做全局去重，还得额外加上主机标识。
• ext4、xfs 这类本地文件系统里，st_ino 就是磁盘 inode 表的真实槽位索引，重启不变，但依然不能脱离 st_dev 单独使用。

硬链接去重 vs 内容去重：两种场景对应不同逻辑

用 (st_dev, st_ino) 只能识别硬链接（同一份数据的多个入口）。如果文件名不同、路径不同，但内容一样（非硬链接），这个组合完全无效——它们的 st_ino 必然不同。

• 硬链接去重：遍历目录，对每个文件调用 stat()，用 std::map, std::vector> 分组，同一个 key 的路径就是一组硬链接。
• 内容去重：必须计算哈希（比如 SHA256），以哈希值作为 key。大文件要流式读取，避免内存爆掉；小文件可以直接 read() 全量。
• find . -samefile target 底层就是靠 stat() + (st_dev, st_ino) 实现的，但它只查硬链接，别误以为它能找内容重复文件。
• 性能上，stat() 比哈希快得多，但只能解决一类问题。混用时建议先做硬链接聚类（零成本），再对每组代表文件做哈希校验（减少哈希次数）。

容易被忽略的路径与符号链接陷阱

相对路径、符号链接、当前工作目录（cwd）三者一搅和，stat() 的结果就可能出乎意料。

• 传相对路径给 stat()，实际解析依赖调用时的 cwd——多线程或 chdir 后极易错乱。强烈建议先转成绝对路径（realpath()）再调用。
• 想判断两个路径是否指向同一文件（含软链接），用 stat()；想判断是否是同一个链接文件自身（比如监控谁改了这个链接），用 lstat()。
• stat() 遇到深层嵌套的符号链接（如 a→b→c→d）会递归解析，可能触发多次 I/O，甚至卡住（某些 overlayfs 或旧内核下）。lstat() 则立刻返回，适合快速扫描。
• 容器环境里，/proc/mounts 显示的挂载点可能和宿主机不一致，st_dev 值不可跨容器直接比较。

最麻烦的其实是 NFS + 符号链接 + 相对路径组合——这时候 st_ino 和 st_dev 都可能失真，硬编码去重逻辑大概率失效。