Benchmark de archivos duplicados en OneDrive: 102.610 archivos analizados

El proceso primero agrupó los candidatos por tamaño en bytes y después comparó una huella de contenido proporcionada por OneDrive, como quickXorHash o SHA-1, cuando el proveedor la devolvía. La identidad del algoritmo acompaña al valor, de modo que huellas de tipos distintos nunca se comparan como si fueran intercambiables. Un nombre de archivo, una marca de tiempo, una miniatura o un tamaño igual pueden ayudar a un revisor a investigar, pero no pueden promover un candidato al total exacto.

La paginación, los hashes ausentes, los archivos que cambian, las búsquedas incompletas y los errores del proveedor deben permanecer visibles. Un resultado de aspecto impecable no sirve de nada si el inventario omitió en silencio parte de la unidad. Por eso el benchmark refleja una enumeración completada y la agrupación exacta conservadora que el producto en funcionamiento expone en su interfaz de revisión.

La estimación cuenta solo las copias que exceden la base conservada en cada grupo exacto. Si aparecen juntos tres elementos idénticos byte a byte, al menos uno permanece; la estimación considera como máximo dos copias adicionales. Es, por tanto, distinta del tamaño total de todos los archivos que participan en un grupo de duplicados.

La igualdad exacta de contenido sigue sin decidir qué archivo es redundante. Una ruta distinta puede poseer el enlace compartido activo, un historial de versiones útil, una obligación de retención o la ubicación canónica de un proyecto. ClearCopies mantiene estos elementos visibles para que el usuario elija cuál conservar en lugar de aceptar una elección automática basada en el nombre de archivo.

Una sola cuenta no puede establecer un porcentaje universal de duplicados para los usuarios de OneDrive. Las bibliotecas difieren según las importaciones de cámara, la colaboración, las migraciones, las copias de seguridad, los flujos de trabajo creativos, los tipos de archivo, los requisitos de retención y la antigüedad. El resultado debe tratarse como evidencia de que el método opera a una escala de seis cifras de archivos, no como una promesa de que otra cuenta recuperará la misma proporción de almacenamiento.

Tampoco mide los casi duplicados visuales, los documentos revisados, los medios recomprimidos, los archivos exportados de Google Workspace ni las copias entre proveedores. Esos elementos normalmente tienen bytes distintos y requieren otro método de comparación. Mantenerlos fuera del total exacto evita que una afirmación amplia de similitud se confunda con evidencia segura para la limpieza.

Registra el alcance de la cuenta, el estado de finalización del análisis, el recuento de archivos, el total de bytes, los algoritmos de huella de contenido admitidos y los elementos sin resolver. Conserva la salida agregada antes de la limpieza para que un revisor posterior pueda entender cómo se produjo la estimación. Si la biblioteca cambia sustancialmente, vuelve a analizar en lugar de aplicar una decisión antigua a archivos nuevos.

Para un plan de limpieza, añade comprobaciones de propiedad, compartición, ubicación, formato protegido y retención después de la detección exacta. Revalida cada elemento seleccionado inmediatamente antes de un traslado posterior a la papelera recuperable. La detección demuestra la igualdad de contenido; la revisión y la revalidación hacen más segura la decisión operativa.