2

我想将我所有的历史电子邮件和新闻存储和索引为单独的消息文件，使用一些基于消息正文+标题的计算哈希码。然后，我还将索引其他内容——用于搜索。

对于主索引键，我的想法是使用 SHA-1 作为哈希算法并假设永远不会发生任何冲突（尽管我知道理论上可能存在）。

除了正文，我应该索引哪些标题？或者更一般地说，我应该在散列之前对消息的内存副本应用哪些转换？

我应该忽略“ReSent-*：”标题吗？我应该将断行的标题加入单行标题并删除无关的空格吗？

（我想基于某个头而不是 Message-ID 标头来索引消息的原因是因为 Message-ID 标头的格式不统一。）

4

1 回答 1

1

您应该精确地散列构成消息唯一性的内容。如果两条消息可能因“ReSent-*:”标头的存在而不同，但仍必须被视为“相同”消息，则这些标头不得是散列内容的一部分。同样，如果相同的消息可能在标头语法上有所不同，那么您应该规范化标头语法。仅当输入完全相同时，诸如 SHA-1 之类的散列函数才会返回相同的输出，其中的每一位都是相同的。

现在，如果使用 Message-ID 对您来说就足够了，除了格式问题，还有一个简单的方法：只需对 Message-ID 进行哈希处理。散列消息 ID 将具有您可以索引的常规、固定大小、随机格式。

于 2010-03-02T18:29:10.673 回答