- r - 以节省内存的方式增长 data.frame
- ruby-on-rails - ruby/ruby on rails 内存泄漏检测
- android - 无法解析导入android.support.v7.app
- UNIX 域套接字与共享内存(映射文件)
更新:我现在已经编写了一个名为 php_ssdeep 的PHP 扩展。 用于 ssdeep C API,以促进 PHP 中 native 的模糊散列和散列比较。更多信息可参见 over at my blog 。我希望这对人们有所帮助。
我参与了在 Linux 机器上用 PHP 编写一个自定义文档管理应用程序,它将存储各种文件格式(可能有 1000 个文件),我们需要能够检查之前是否已经上传了文本文档以防止重复在数据库中。
基本上,当用户上传新文件时,我们希望能够向他们展示重复或包含相似内容的文件列表。这将允许他们选择一个预先存在的文件或继续上传他们自己的文件。
相似的文档将通过查看其内容中相似的句子以及可能是动态生成的关键字列表来确定。然后,我们可以向用户显示匹配百分比,以帮助他们找到重复项。
您能否为这个过程推荐任何包,以及您过去可能如何做到这一点的任何想法?
直接复制我觉得可以通过获取所有的文本内容和
然后形成一个 MD5 散列来与任何新文档进行比较。例如,如果用户编辑文档以添加额外的段落分隔符,则剥离这些项目应该有助于防止找不到重复项。有什么想法吗?
这个过程也可能作为夜间作业运行,如果计算要求太大而无法实时运行,我们可以在用户下次登录时通知他们任何重复项。然而,实时将是首选。
最佳答案
更新:我现在已经编写了一个名为 php_ssdeep 的PHP 扩展。 用于 ssdeep C API,以促进 PHP 中 native 的模糊散列和散列比较。更多信息可参见 over at my blog 。我希望这对人们有所帮助。
我找到了一个程序,它可以执行其创建者 Jesse Kornblum 所说的“模糊散列”。基本上,它会生成可用于检测相似文件或完全匹配的文件的哈希值。
其背后的理论记录在此处:Identifying almost identical files using context triggered piecewise hashing
ssdeep是程序的名称,它可以在 Windows 或 Linux 上运行。它旨在用于取证计算,但它似乎足以满足我们的目的。我在一台旧的 Pentium 4 机器上做了一个简短的测试,它需要大约 3 秒来浏览一个 23MB 的哈希文件(哈希值不到 135,000 个文件)寻找两个文件的匹配项。那段时间还包括为我正在搜索的两个文件创建哈希。
关于php - 在文档管理应用程序中检查文档重复项和类似文档,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/1728977/
我正在通过 labrepl 工作,我看到了一些遵循此模式的代码: ;; Pattern (apply #(apply f %&) coll) ;; Concrete example user=> (a
我从未向应用商店提交过应用,但我会在不久的将来提交。 到目前为止,我对为 iPhone 而非 iPad 进行设计感到很自在。 我了解,通过将通用PAID 应用放到应用商店,客户只需支付一次就可以同时使
我有一个应用程序,它使用不同的 Facebook 应用程序(2 个不同的 AppID)在 Facebook 上发布并显示它是“通过 iPhone”/“通过 iPad”。 当 Facebook 应用程序
我有一个要求,我们必须通过将网站源文件保存在本地 iOS 应用程序中来在 iOS 应用程序 Webview 中运行网站。 Angular 需要服务器来运行应用程序,但由于我们将文件保存在本地,我们无法
所以我有一个单页客户端应用程序。 正常流程: 应用程序 -> OAuth2 服务器 -> 应用程序 我们有自己的 OAuth2 服务器,因此人们可以登录应用程序并获取与用户实体关联的 access_t
假设我有一个安装在用户设备上的 Android 应用程序 A,我的应用程序有一个 AppWidget,我们可以让其他 Android 开发人员在其中以每次安装成本为基础发布他们的应用程序推广广告。因此
Secrets of the JavaScript Ninja中有一个例子它提供了以下代码来绕过 JavaScript 的 Math.min() 函数,该函数需要一个可变长度列表。 Example:
当我分别将数组和对象传递给 function.apply() 时,我得到 NaN 的 o/p,但是当我传递对象和数组时,我得到一个数字。为什么会发生这种情况? 由于数组也被视为对象,为什么我无法使用它
CFSDN坚持开源创造价值,我们致力于搭建一个资源共享平台,让每一个IT人在这里找到属于你的精彩世界. 这篇CFSDN的博客文章ASP转换格林威治时间函数DateDiff()应用由作者收集整理,如果你
我正在将列表传递给 map并且想要返回一个带有合并名称的 data.frame 对象。 例如: library(tidyverse) library(broom) mtcars %>% spl
我有一个非常基本的问题,但我不知道如何实现它:我有一个返回数据框,其中每个工具的返回值是按行排列的: tmp<-as.data.frame(t(data.frame(a=rnorm(250,0,1)
我正在使用我的 FB 应用创建群组并邀请用户加入我的应用群组,第一次一切正常。当我尝试创建另一个组时,出现以下错误: {"(OAuthException - #4009) (#4009) 在有更多用户
我们正在开发一款类似于“会说话的本”应用程序的 child 应用程序。它包含大量用于交互式动画的 JPEG 图像序列。 问题是动画在 iPad Air 上播放正常,但在 iPad 2 上播放缓慢或滞后
我关注 clojure 一段时间了,它的一些功能非常令人兴奋(持久数据结构、函数式方法、不可变状态)。然而,由于我仍在学习,我想了解如何在实际场景中应用,证明其好处,然后演化并应用于更复杂的问题。即,
我开发了一个仅使用挪威语的应用程序。该应用程序不使用本地化,因为它应该仅以一种语言(挪威语)显示。但是,我已在 Info.plist 文件中将“本地化 native 开发区域”设置为“no”。我还使用
读完 Anthony's response 后上a style-related parser question ,我试图说服自己编写单体解析器仍然可以相当紧凑。 所以而不是 reference ::
multicore 库中是否有类似 sapply 的东西?还是我必须 unlist(mclapply(..)) 才能实现这一点? 如果它不存在:推理是什么? 提前致谢,如果这是一个愚蠢的问题,我们深表
我喜欢在窗口中弹出结果,以便更容易查看和查找(例如,它们不会随着控制台继续滚动而丢失)。一种方法是使用 sink() 和 file.show()。例如: y <- rnorm(100); x <- r
我有一个如下所示的 spring mvc Controller @RequestMapping(value="/new", method=RequestMethod.POST) public Stri
我正在阅读 StructureMap关于依赖注入(inject),首先有两部分初始化映射,具体类类型的接口(interface),另一部分只是实例化(请求实例)。 第一部分需要配置和设置,这是在 Bo
我是一名优秀的程序员,十分优秀!