python - 接近原始文本输入的良好哈希算法，较少的雪崩效应？

Question

我们需要在 MySQL 表中存储一个文本字段(比如 2000 个字符)及其唯一哈希值(比如 SHA1)。 为了测试该文本是否已存在于 MySQL 表中，我们生成文本的 SHA1，并查找它是否存在于唯一字段 hash 中。

现在假设有两个文本:

1. “这是将存储在数据库中的文本，并将生成其哈希值”
2. “这是文本，将存储在数据库中并生成其哈希值。”

注意细微差别。

假设 1 已经添加到数据库中，对 2 的检查将不起作用，因为它们的 SHA1 哈希值将大不相同。

一个明显的解决方案是使用 Leveinstein 距离或 difflib 迭代所有已添加的文本字段，以从 MySQL 表中精确匹配。

但这不是以性能为导向的。 是否有一种与文本内容相关的良好哈希算法？即，为非常相似的文本生成的两个哈希值本身将非常相似。

这样可以更容易地在将它们添加到 MySQL 表之前检测到可能的重复项。

Answer 1

听起来您正在寻找对位置敏感的散列。除了Wikipedia article ，在此站点上运行搜索以获得一些指示。