工作当中我们有时候会遇到需要对用户上传的文件查重,根据重复度进行驳回还是要求用户重新上传;而且这个数据量对比有时候会很大,此时就比较适合用simhash来进行对比!!!
关于什么是simhash以及基础介绍可以看这个文章:https://blog.csdn.net/lengye7/article/details/79789206
本例使用语言:php5.3(Yaf)
mysql:5.7.2
现有需求:需要对用户上传的word/ppt/txt文件内容在库里进行对比,找出内容重复度比较高的文件
首先先确定分几步进行数据分析对比:
1. 读取用户上传的文件内容;
2. 根据SimHash算法进行数据分析对比;
既然是数据对比,那么肯定需要把不重复的数据存储起来,然后再拿出来和上传的文件内容对比,那么就需要有数据库来存储数据,结构如下:
数据执行simhash之后的值进行存储:
CREATE TABLE `tbl_resource_simhash` (
`id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主建id',
`resource_id` int(11) NOT NULL DEFAULT '0' COMMENT '资源id',
`segment1` int(11) NOT NULL DEFAULT '0' COMMENT '块1',
`segment2` int(11) NOT NULL DEFAULT '0' COMMENT '块2',
`segment3` int(11) NOT NULL DEFAULT '0' COMMENT '块3',
`segment4` int(11) NOT NULL DEFAULT '0' COMMENT '块4',
`simhash` varchar(64) NOT NULL DEFAULT '0' COMMENT '哈希值',
PRIMARY KEY (`id`),
UNIQUE KEY `idx_resource_id` (`resource_id`) USING BTREE,
KEY `idx_segment1` (`segment1`) USING HASH,
KEY `idx_segment2` (`segment2`) USING HASH,
KEY `idx_segment3` (`segment3`) USING HASH,
KEY `idx_segment4` (`segment4`) USING HASH
) ENGINE=InnoDB AUTO_INCREMENT=760 DEFAULT CHARSET=utf8 COMMENT='公开资源哈希索引表';
文件资源信息表:
CREATE TABLE `tbl_resource` (
`id` int(11) unsigned NOT NULL AUTO_INCREMENT,
`name` varchar(255) NOT NULL DEFAULT '' COMMENT '文件名称',
`words` longtext CHARACTER SET utf8mb4 NOT NULL COMMENT '资源内容文字',
`status` tinyint(4) NOT NULL DEFAULT '0' COMMENT '状态 0未进行审核 1审核通过 2审核未通过',
`md5_file` char(32) NOT NULL DEFAULT '' COMMENT '文件的md5值',
PRIMARY KEY (`id`),
KEY `idx_md5` (`md5_file`) U