Re: Deduplication ?
authorMark Walters <markwalters1009@gmail.com>
Mon, 2 Jun 2014 14:15:39 +0000 (15:15 +0100)
committerW. Trevor King <wking@tremily.us>
Fri, 7 Nov 2014 18:03:07 +0000 (10:03 -0800)
52/795a2c05f5100239b572d0c1be08441e12443b [new file with mode: 0644]

diff --git a/52/795a2c05f5100239b572d0c1be08441e12443b b/52/795a2c05f5100239b572d0c1be08441e12443b
new file mode 100644 (file)
index 0000000..0559552
--- /dev/null
@@ -0,0 +1,128 @@
+Return-Path: <m.walters@qmul.ac.uk>\r
+X-Original-To: notmuch@notmuchmail.org\r
+Delivered-To: notmuch@notmuchmail.org\r
+Received: from localhost (localhost [127.0.0.1])\r
+       by olra.theworths.org (Postfix) with ESMTP id 156A6431FAE\r
+       for <notmuch@notmuchmail.org>; Mon,  2 Jun 2014 07:16:11 -0700 (PDT)\r
+X-Virus-Scanned: Debian amavisd-new at olra.theworths.org\r
+X-Spam-Flag: NO\r
+X-Spam-Score: 0.502\r
+X-Spam-Level: \r
+X-Spam-Status: No, score=0.502 tagged_above=-999 required=5\r
+       tests=[DKIM_ADSP_CUSTOM_MED=0.001, FREEMAIL_FROM=0.001,\r
+       NML_ADSP_CUSTOM_MED=1.2, RCVD_IN_DNSWL_LOW=-0.7] autolearn=disabled\r
+Received: from olra.theworths.org ([127.0.0.1])\r
+       by localhost (olra.theworths.org [127.0.0.1]) (amavisd-new, port 10024)\r
+       with ESMTP id 7txZm2rNfGDf for <notmuch@notmuchmail.org>;\r
+       Mon,  2 Jun 2014 07:16:03 -0700 (PDT)\r
+Received: from mail2.qmul.ac.uk (mail2.qmul.ac.uk [138.37.6.6])\r
+       (using TLSv1 with cipher DHE-RSA-AES256-SHA (256/256 bits))\r
+       (No client certificate requested)\r
+       by olra.theworths.org (Postfix) with ESMTPS id 12370431FAF\r
+       for <notmuch@notmuchmail.org>; Mon,  2 Jun 2014 07:16:03 -0700 (PDT)\r
+Received: from smtp.qmul.ac.uk ([138.37.6.40])\r
+       by mail2.qmul.ac.uk with esmtp (Exim 4.71)\r
+       (envelope-from <m.walters@qmul.ac.uk>)\r
+       id 1WrT1s-0002Vu-WA; Mon, 02 Jun 2014 15:16:01 +0100\r
+Received: from 5751dfa2.skybroadband.com ([87.81.223.162] helo=localhost)\r
+       by smtp.qmul.ac.uk with esmtpsa (TLSv1:AES128-SHA:128) (Exim 4.71)\r
+       (envelope-from <m.walters@qmul.ac.uk>)\r
+       id 1WrT1Y-0002Tt-NA; Mon, 02 Jun 2014 15:15:40 +0100\r
+From: Mark Walters <markwalters1009@gmail.com>\r
+To: Vladimir Marek <Vladimir.Marek@oracle.com>,\r
+       David Edmondson <david.edmondson@oracle.com>\r
+Subject: Re: Deduplication ?\r
+In-Reply-To: <871tv7s8q1.fsf@qmul.ac.uk>\r
+References: <20140602123212.GA12639@virt.cz.oracle.com>\r
+       <cuniooj1l68.fsf@gargravarr.hh.sledj.net>\r
+       <20140602135438.GA8223@virt.cz.oracle.com>\r
+       <871tv7s8q1.fsf@qmul.ac.uk>\r
+User-Agent: Notmuch/0.15.2+615~g78e3a93 (http://notmuchmail.org) Emacs/23.4.1\r
+       (i486-pc-linux-gnu)\r
+Date: Mon, 02 Jun 2014 15:15:39 +0100\r
+Message-ID: <87y4xfqtx0.fsf@qmul.ac.uk>\r
+MIME-Version: 1.0\r
+Content-Type: text/plain; charset=us-ascii\r
+X-Sender-Host-Address: 87.81.223.162\r
+X-QM-Geographic: According to ripencc,\r
+       this message was delivered by a machine in Britain (UK) (GB).\r
+X-QM-SPAM-Info: Sender has good ham record.  :)\r
+X-QM-Body-MD5: d72e9e3fbebffda3be071f659bc3c751 (of first 20000 bytes)\r
+X-SpamAssassin-Score: -0.1\r
+X-SpamAssassin-SpamBar: /\r
+X-SpamAssassin-Report: The QM spam filters have analysed this message to\r
+       determine if it is\r
+       spam. We require at least 5.0 points to mark a message as spam.\r
+       This message scored -0.1 points.\r
+       Summary of the scoring: \r
+       * 0.0 FREEMAIL_FROM Sender email is commonly abused enduser mail\r
+       provider *      (markwalters1009[at]gmail.com)\r
+       * -0.1 AWL AWL: From: address is in the auto white-list\r
+X-QM-Scan-Virus: ClamAV says the message is clean\r
+Cc: notmuch@notmuchmail.org\r
+X-BeenThere: notmuch@notmuchmail.org\r
+X-Mailman-Version: 2.1.13\r
+Precedence: list\r
+List-Id: "Use and development of the notmuch mail system."\r
+       <notmuch.notmuchmail.org>\r
+List-Unsubscribe: <http://notmuchmail.org/mailman/options/notmuch>,\r
+       <mailto:notmuch-request@notmuchmail.org?subject=unsubscribe>\r
+List-Archive: <http://notmuchmail.org/pipermail/notmuch>\r
+List-Post: <mailto:notmuch@notmuchmail.org>\r
+List-Help: <mailto:notmuch-request@notmuchmail.org?subject=help>\r
+List-Subscribe: <http://notmuchmail.org/mailman/listinfo/notmuch>,\r
+       <mailto:notmuch-request@notmuchmail.org?subject=subscribe>\r
+X-List-Received-Date: Mon, 02 Jun 2014 14:16:11 -0000\r
+\r
+\r
+\r
+Mark Walters <markwalters1009@gmail.com> writes:\r
+\r
+> Vladimir Marek <Vladimir.Marek@oracle.com> writes:\r
+>\r
+>>> > I want to import bigger chunk of archived messages into my notmuch\r
+>>> > database. It's about 100k messages. The problem is, that I most probably\r
+>>> > have quite a lot of those messages in the DB. Basically I would like to\r
+>>> > add only those I don't have already.\r
+>>> >\r
+>>> > There are two possibilities\r
+>>> >\r
+>>> > a) I will add all the 100k messages and then remove the duplicities.\r
+>>> >\r
+>>> > b) I will write a script which will parse the message ID's of the\r
+>>> >    to-be-added messages and try to match them to the notmuch DB. Adding\r
+>>> >    only files I can't find already.\r
+>>> >\r
+>>> > Ad b) might be better option, but I started to play with the idea of\r
+>>> > deduplication. I'm thinking about listing all the message IDs stored in\r
+>>> > DB, listing all files belonging to the IDs and deleting all but one.\r
+>>> > Also I'm thinking about implementing some simple algorithm telling me\r
+>>> > whether the messages are really very similar. Just to be sure I don't\r
+>>> > delete something I don't want to.\r
+>>> >\r
+>>> > Was anyone playing with the idea?\r
+>>> \r
+>>> notsync[1] used the (lack of) existence of a message id in the store to\r
+>>> decide whether to add something from an IMAP server, but it is old,\r
+>>> crufty, unused and unloved code.\r
+>>\r
+>> I see, that's close to my b) solution, thanks!\r
+>\r
+> Did you mean a) here? The idea was to add them all first and then run\r
+> this script to delete the duplicates.\r
+>\r
+\r
+Sorry: out of order arrival times and lack of care on my part. Sorry!\r
+\r
+MW\r
+\r
+> Best wishes\r
+>\r
+> Mark\r
+>\r
+>> -- \r
+>>     Vlad\r
+>> _______________________________________________\r
+>> notmuch mailing list\r
+>> notmuch@notmuchmail.org\r
+>> http://notmuchmail.org/mailman/listinfo/notmuch\r