存档大量类似文档的服务

Question

我想建立一种存档服务。我的想法是，我向服务发送一个文档（几十个KB的HTML），它向我发回一个简短的标识符，稍后我可以使用标识符来检索文档。许多文件彼此非常相似;对于任何一个文档，可能有1000个其他文档与它重叠95％。因此，每次我发送文档时，归档服务都应该尝试找到类似的文档，并存储差异。

是否存在这样的系统？如果可能的话，我更喜欢基于PH​​P / MySQL的东西。

Answer 1

从您的用例中可以想到CouchDB。了解他们如何将文档存储为JSON以及如何对文档进行修订（存储在_rev字段中）。

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

然而，它不会对你进行比较。使用简单的CouchDB实现，您将承担这一责任，但它确实很适合您处理版本。

不幸的是，我不知道任何开箱即用的数据库比较文档，然后找到相似的东西并替换它们。