SimHash值计算

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

• SimHash值计算算子支持处理以下格式的文件：仅解析元数据表中的字段值。

• SimHash值计算算子默认分配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

1. 在Dataphin首页的顶部菜单栏中，选择研发 > 数据研发。

2. 在开发页面的顶部菜单栏选择项目。

3. 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SimHash值计算算子至画布中，并在右侧SimHash值计算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。需选择输入数据集中来源字段，仅可选择输入数据集中是否URL参数为是的字段。
   	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	去重模式将移除相似记录，仅计算SimHash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。
   	判定重复标准	对两段文本分别计算SimHash值后，再计算两者的汉明距离，汉明距离越小，代表二者越相似。 仅高度相似才算重复：汉明距离小于等于1。 中度相似即算重复：汉明距离小于等于3，一般推荐选择此项。 轻微相似也算重复：汉明距离小于等于5。 说明 仅去重模式支持配置此项。
   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。 当选择其他数据集时，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SimHash，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	SimHash值计算算子将固定输出以下字段： simhash：SimHash签名值。 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，simhash字段映射为非必填。

4. 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。