瞎扯淡 “如果文件内容不一样，MD5 不可能一样的”
N 个月之前，我在百度开放云平台上提了几个问题，今天他们回复了我一个。
我的问题是这样的：
看了分片文件上传的文档，有点疑问？1. 如果分片的片段中恰巧有片段内容和其他片段相同，那么合并的文件是否会不完整？2. md5 是有碰撞的可能的，假如内容不同 md5 恰巧相同，那么合并文件是否就有问题？当然这都是比较极端的情况，但是不排除这样的可能，这个地方的设计是否不太合理？
他们的回复：
您好，问题 1：这个需要您切割文件的时候注意即可避免，问题 2：，如果文件内容不一样，MD5 不可能一样的，请您知晓。
请大家感受
Update: 怕误伤了人，改了吧
md5 摘要值一般最后可以写成 32 个 ascii 字符，以小写字母和数字组成。共有 (26+10)^32 种可能排列。大概是 6.33E49，也就是 6 乘以 10 的 49 次方。你要知道整个宇宙的恒星数量也只不过是 3E23。换句话说，如果每颗恒星都爆发成一个完整的小宇宙，大概就是 md5 的 6E49 量级了。
所以，你到底是有多海量的文件，才能在 10 的 49 次方这个量级里面，遇到“碰撞是经常出现的事情”？
呵呵，MD5 只是加密串，不是内容压缩。像二维码就是根据内容转换的，能够转回来成文字内容。
如果你把 MD5 当做那啥，内容压缩工具，那就逗了，一部 3D 电影几个 G，转成几十个字符，那太牛了。以后看电影，只需要拷贝那几十个字符，逆转下就成 3D 电影啦。也就是说，MD5 重复是必然滴，它的作用只是用来验证判断内容是否发生过变化。。。
如果只是谈论 md5 的话 不同的文件 md5 可以一样，通过某个黑科技可以实现. http://www.mscs.dal.ca/~selinger/md5collision/
#5 楼 @seamon md5 可以表示成 32 个 16 进制 数字而不是任意 ascii 字符，排列数约 3.40E38, 但是由于 birthday paradox, 网盘里如果总共有 2.2E19 个文件 (目前应该达不到这么多), 就有 50% 的几率出现 md5 相同的文件，另外由于 md5 hash 长度比较短，人为制造相同的哈希需要的计算量，远比穷举哈希空间需要的计算量少得多，别说 "不可能". 虽然网盘还可以进一步对 md5 相同的文件做内容比较再决定是否合并，但涉及安全的地方别用 md5 是常识才对...
#9 楼 @night_song 多谢。这个是我疏忽了。共 128 位，应该是 16^32 才对。MD5 安全性不强这是肯定的，人工精心构造数据的话，是可以有一定概率发生碰撞的。单纯 MD5 是无法保证安全性的，多种手段结合会更靠谱一些。
#12 楼 @aptx4869 时间有点久了，记得是不一样的，但也不排除这个可能性。
这个命题有点意思，我去找点数据实验下。第三方的帖子也没少见到，比如说上传的是一个文件，下载下来却是另一个文件（当然也有可能是迅雷之类的 bug）。
至于理论，单纯从字符的位数来进行概率分析是比较初级的，不懂理论，希望下面的内容对看客有所启发。 http://wenku.baidu.com/view/5e3e82d649649b6648d747c4
======= @aptx4869 @seamon 对少量文件匹配了下，我觉得很可能是我「妖言惑众」啦，应该是疏忽了，抱歉，「大量」是不可能的，也就不浪费计算力去验证了。 虽然有自动生成 md5 一样的程序和文件，都是人为的。 不过百度云这样的量级不应该这么不严谨。
seamon
不说文件，随机生成的 128bit 的字符串，也可能发生碰撞，而且概率还很高，我做了个实验，使用 openssl 生成随机数，然后进行 md5，大约 11w 个的时候，就开始碰撞了，还有 从 1 开始生成数字，大约 2 千万的时候开始有了第一个碰撞（时间久了，记不太清楚具体多少了，反正肯定在 1 亿之内）