MD5精准去重算子利用MD5哈希算法为数据生成唯一数字指纹，快速识别内容完全一致的重复项。对格式差异敏感（空格、换行等微小差异即视为不同），适用于文本和文件的精确查重，例如爬虫数据清洗、相同文案重复发布、知识库管理等场景。本文介绍MD5精准去重算子的配置方法。
前提条件
当前实例购买非结构化数据功能后，方可使用工作流功能。
已完成工作流的创建，详细创建步骤请参见创建工作流。
背景信息
MD5精准去重算子支持处理以下格式文件：支持解析字段的纯文本，也支持解析指向的文件。
MD5精准去重算子默认分配2Core、0.5GB资源。
权限说明
Basic项目的项目管理员、开发者、分析师以及拥有数据集-使用权限的自定义项目角色，可在算子的输入和输出数据集中使用该项目下的所有数据集。
操作步骤
在Dataphin首页的顶部菜单栏中，选择研发 > 数据研发。
在开发页面的顶部菜单栏选择项目。
在左侧导航栏中选择数据处理 > 工作流，在左侧工作流列表中单击目标工作流，打开工作流画布，在左侧算子库中拖动MD5精准去重算子至画布中，并在右侧MD5精准去重面板中配置以下参数。
参数
描述
步骤名称
输入当前算子名称，支持任意字符，不超过256个字符。
输入配置
数据集
选择需处理的数据集，可选择混合数据集和表数据集。数据集选择完成后还需选择其版本，默认为该数据集正序的第一个版本。
当前算子作为其他算子的下游时，此处所选数据集通常与上游算子的输出数据集一致。
输入字段
待处理的文本或文件URL。需选择输入数据集中来源字段，可选择输入数据集中元数据表的所有字段。
过滤条件（非必填）
使用SQL语法，仅需输入where语句后的过滤条件，支持使用系统全局变量，例如业务日期${bizdate}。
算子配置
功能模式
去重模式将移除重复记录，仅计算MD5模式保留所有数据仅添加标识。
说明数据集中空值不参与去重。
输出配置
数据集
支持选择来源数据集（直接在原数据集上去除重复项）或其他数据集（将去重后的数据写入其他数据集）。若来源数据集的元数据表不存在主键，则输出数据集默认选择其他数据集。
选择其他数据集时，还需指定一个混合数据集或表数据集及其版本作为输出数据集，默认为该数据集正序的第一个版本；同时，支持选择来源数据集的其他版本。
选择来源数据集时，算子产出的元数据将写入来源数据集同版本对应的元数据表中。
加载策略
若所选输出数据集的元数据表中存在主键，则默认选择主键冲突时更新；若不存在主键，则默认选择追加数据。
追加数据：直接向目标表新增追加数据，当主键/约束冲突时，会提示错误。
主键冲突时更新：当主键/约束冲突时，会先删除整行主键重复的旧数据，再插入新数据。
覆盖：先删除目标表的数据，再写入数据。
说明功能模式选择去重，且输出数据集选择其他数据集时，仅支持追加数据和覆盖策略。
功能模式选择去重，且输出数据集选择来源数据集时，不支持配置此项。
功能模式选择仅计算MD5，且输出数据集选择来源数据集时，加载策略仅支持主键冲突时更新。
字段映射
MD5精准去重算子将固定输出以下字段：
md5_hash：MD5哈希值。算子输出字段默认映射至输出数据集的同名字段，您也可以手动选择目标字段进行自定义映射。此外，支持将来源数据集的透传字段映射至目标数据集。您可以通过以下方式管理字段映射：
新增输出字段：单击后新增一行空白字段映射关系。仅输出数据集选择其他数据集时支持此功能。
批量映射：单击后可选择批量手动映射、同名映射或同行映射。仅输出数据集选择其他数据集时支持此功能。
删除映射：单击删除图标可删除对应行的字段映射，但算子固定输出字段的映射不支持删除。
说明功能模式选择去重时，md5_hash字段映射为非必填。
配置完成后，单击画布顶部菜单栏中的保存，保存此次配置。
单个算子配置完成后，可继续为其选择上游或下游算子来完成完整工作流的配置。