ec/af8f2a0bb6ae04dd5f08759a22d70d20f0d3ca

   1 Return-Path: <m.walters@qmul.ac.uk>\r
   2 X-Original-To: notmuch@notmuchmail.org\r
   3 Delivered-To: notmuch@notmuchmail.org\r
   4 Received: from localhost (localhost [127.0.0.1])\r
   5         by olra.theworths.org (Postfix) with ESMTP id 1C71A431FAF\r
   6         for <notmuch@notmuchmail.org>; Mon,  2 Jun 2014 07:26:54 -0700 (PDT)\r
   7 X-Virus-Scanned: Debian amavisd-new at olra.theworths.org\r
   8 X-Spam-Flag: NO\r
   9 X-Spam-Score: 0.502\r
  10 X-Spam-Level: \r
  11 X-Spam-Status: No, score=0.502 tagged_above=-999 required=5\r
  12         tests=[DKIM_ADSP_CUSTOM_MED=0.001, FREEMAIL_FROM=0.001,\r
  13         NML_ADSP_CUSTOM_MED=1.2, RCVD_IN_DNSWL_LOW=-0.7] autolearn=disabled\r
  14 Received: from olra.theworths.org ([127.0.0.1])\r
  15         by localhost (olra.theworths.org [127.0.0.1]) (amavisd-new, port 10024)\r
  16         with ESMTP id tjaDXFUH5Vyf for <notmuch@notmuchmail.org>;\r
  17         Mon,  2 Jun 2014 07:26:46 -0700 (PDT)\r
  18 Received: from mail2.qmul.ac.uk (mail2.qmul.ac.uk [138.37.6.6])\r
  19         (using TLSv1 with cipher DHE-RSA-AES256-SHA (256/256 bits))\r
  20         (No client certificate requested)\r
  21         by olra.theworths.org (Postfix) with ESMTPS id 451BE431FAE\r
  22         for <notmuch@notmuchmail.org>; Mon,  2 Jun 2014 07:26:46 -0700 (PDT)\r
  23 Received: from smtp.qmul.ac.uk ([138.37.6.40])\r
  24         by mail2.qmul.ac.uk with esmtp (Exim 4.71)\r
  25         (envelope-from <m.walters@qmul.ac.uk>)\r
  26         id 1WrTCA-0005pG-Ev; Mon, 02 Jun 2014 15:26:42 +0100\r
  27 Received: from 5751dfa2.skybroadband.com ([87.81.223.162] helo=localhost)\r
  28         by smtp.qmul.ac.uk with esmtpsa (TLSv1:AES128-SHA:128) (Exim 4.71)\r
  29         (envelope-from <m.walters@qmul.ac.uk>)\r
  30         id 1WrTBp-0004vv-RA; Mon, 02 Jun 2014 15:26:18 +0100\r
  31 From: Mark Walters <markwalters1009@gmail.com>\r
  32 To: Tomi Ollila <tomi.ollila@iki.fi>,\r
  33         Vladimir Marek <Vladimir.Marek@oracle.com>, notmuch@notmuchmail.org\r
  34 Subject: Re: Deduplication ?\r
  35 In-Reply-To: <m2ppirs8ea.fsf@guru.guru-group.fi>\r
  36 References: <20140602123212.GA12639@virt.cz.oracle.com>\r
  37         <87d2ers9mi.fsf@qmul.ac.uk> <m2ppirs8ea.fsf@guru.guru-group.fi>\r
  38 User-Agent: Notmuch/0.15.2+615~g78e3a93 (http://notmuchmail.org) Emacs/23.4.1\r
  39         (i486-pc-linux-gnu)\r
  40 Date: Mon, 02 Jun 2014 15:26:17 +0100\r
  41 Message-ID: <87ppirqtfa.fsf@qmul.ac.uk>\r
  42 MIME-Version: 1.0\r
  43 Content-Type: text/plain; charset=us-ascii\r
  44 X-Sender-Host-Address: 87.81.223.162\r
  45 X-QM-Geographic: According to ripencc,\r
  46         this message was delivered by a machine in Britain (UK) (GB).\r
  47 X-QM-SPAM-Info: Sender has good ham record.  :)\r
  48 X-QM-Body-MD5: a4ad9178de7ec0417b84cd85a95f33c0 (of first 20000 bytes)\r
  49 X-SpamAssassin-Score: -0.1\r
  50 X-SpamAssassin-SpamBar: /\r
  51 X-SpamAssassin-Report: The QM spam filters have analysed this message to\r
  52         determine if it is\r
  53         spam. We require at least 5.0 points to mark a message as spam.\r
  54         This message scored -0.1 points.\r
  55         Summary of the scoring: \r
  56         * 0.0 FREEMAIL_FROM Sender email is commonly abused enduser mail\r
  57         provider *      (markwalters1009[at]gmail.com)\r
  58         * -0.1 AWL AWL: From: address is in the auto white-list\r
  59 X-QM-Scan-Virus: ClamAV says the message is clean\r
  60 X-BeenThere: notmuch@notmuchmail.org\r
  61 X-Mailman-Version: 2.1.13\r
  62 Precedence: list\r
  63 List-Id: "Use and development of the notmuch mail system."\r
  64         <notmuch.notmuchmail.org>\r
  65 List-Unsubscribe: <http://notmuchmail.org/mailman/options/notmuch>,\r
  66         <mailto:notmuch-request@notmuchmail.org?subject=unsubscribe>\r
  67 List-Archive: <http://notmuchmail.org/pipermail/notmuch>\r
  68 List-Post: <mailto:notmuch@notmuchmail.org>\r
  69 List-Help: <mailto:notmuch-request@notmuchmail.org?subject=help>\r
  70 List-Subscribe: <http://notmuchmail.org/mailman/listinfo/notmuch>,\r
  71         <mailto:notmuch-request@notmuchmail.org?subject=subscribe>\r
  72 X-List-Received-Date: Mon, 02 Jun 2014 14:26:54 -0000\r
  73 \r
  74 \r
  75 Tomi Ollila <tomi.ollila@iki.fi> writes:\r
  76 \r
  77 > On Mon, Jun 02 2014, Mark Walters <markwalters1009@gmail.com> wrote:\r
  78 >\r
  79 >> Vladimir Marek <Vladimir.Marek@oracle.com> writes:\r
  80 >>\r
  81 >>> Hi,\r
  82 >>>\r
  83 >>> I want to import bigger chunk of archived messages into my notmuch\r
  84 >>> database. It's about 100k messages. The problem is, that I most probably\r
  85 >>> have quite a lot of those messages in the DB. Basically I would like to\r
  86 >>> add only those I don't have already.\r
  87 >>>\r
  88 >>> There are two possibilities\r
  89 >>>\r
  90 >>> a) I will add all the 100k messages and then remove the duplicities.\r
  91 >>>\r
  92 >>> b) I will write a script which will parse the message ID's of the\r
  93 >>>    to-be-added messages and try to match them to the notmuch DB. Adding\r
  94 >>>    only files I can't find already.\r
  95 >>>\r
  96 >>> Ad b) might be better option, but I started to play with the idea of\r
  97 >>> deduplication. I'm thinking about listing all the message IDs stored in\r
  98 >>> DB, listing all files belonging to the IDs and deleting all but one.\r
  99 >>> Also I'm thinking about implementing some simple algorithm telling me\r
 100 >>> whether the messages are really very similar. Just to be sure I don't\r
 101 >>> delete something I don't want to.\r
 102 >>>\r
 103 >>> Was anyone playing with the idea?\r
 104 >>\r
 105 >> I am not sure what your use case is but notmuch automatically\r
 106 >> deduplicates: that is if the message-id is one it has already seen no\r
 107 >> further indexing takes place. The only thing that happens is the new\r
 108 >> filename gets added to the list of filenames for the message.\r
 109 >>\r
 110 >> Thus importing should be almost as fast as if the message were not\r
 111 >> there, and the database should be almost identical to what you would get\r
 112 >> if you only imported the genuine new messages.\r
 113 >>\r
 114 >> If you want to save disk space then you could delete the duplicates\r
 115 >> after with something like\r
 116 >>\r
 117 >> notmuch search --output=files --format=text0 --duplicate=2 '*' piped to\r
 118 >> xargs -0\r
 119 >\r
 120 > What if there are 3 duplicates (or 4... ;)\r
 121 \r
 122 I was assuming that it was merging 2 duplicate-free bunches of messages,\r
 123 but I guess the new 100000 might not be. In that case running the above\r
 124 repeatedly (ie until it is a no-op) would be fine. \r
 125 \r
 126 >\r
 127 >>\r
 128 >> (but please test it carefully first!)\r
 129 >\r
 130 > One should also have some message content heuristics to determine that the\r
 131 > content is indeed duplicate and not something totally different (not that\r
 132 > we can see the different content anyway... but...)\r
 133 \r
 134 That would be nice.\r
 135 \r
 136 Best wishes\r
 137 \r
 138 Mark\r
 139 \r
 140 \r
 141 >>\r
 142 >> I would think something like this is better than trying to parse the\r
 143 >> message-ids yourself.\r
 144 >\r
 145 >\r
 146 >>\r
 147 >> Best wishes\r
 148 >>\r
 149 >> Mark\r
 150 >>\r
 151 >\r
 152 > Tomi\r
 153 >\r
 154 >\r
 155 >>\r
 156 >>>\r
 157 >>> -- \r
 158 >>>     Vlad\r