大量類似文檔的存檔服務

Question

我想設置一種存檔服務。我的想法是，我發送一個文檔（幾十KB的HTML）到服務，它發回我一個簡短的標識符，以後我可以使用標識符來檢索文檔。許多文件將非常相似，對於任何一個文件，可能有1000個與其重疊95％的其他文件。因此，每次我發送一份文檔時，歸檔服務都應該嘗試找到一個相似的文檔，並存儲差異。

是否存在這樣的系統？如果可能的話，我更喜歡PHP/MySQL。

Answer 1

從你的用例中想起CouchDB。閱讀他們如何將文檔存儲爲JSON以及他們如何修改文檔（存儲在_rev字段中）。

http://guide.couchdb.org/draft/documents.html

它不會爲你做比較，但是。這個責任會落到你身上，只需一個簡單的CouchDB實現，但它確實能很好地處理你的版本。

不幸的是，我不知道任何現成的數據庫比較文件，然後發現相似的東西，並取代它們。