deduplicationのc++実装
参考 https://github.com/HojiChar/HojiChar/blob/main/hojichar/filters/deduplication.py
https://arxiv.org/abs/2107.06499
指定したディレクトリ内のjsonlファイルに対してdedup処理を行い、指定したディレクトリに出力する
json dump用にnlohmann/json
を使う。
https://github.com/nlohmann/json
sudo apt install nlohmann-json3-dev
simdjson
で高速にjsonlファイルを処理できるらしい
https://github.com/simdjson/simdjson
wget https://raw.githubusercontent.com/simdjson/simdjson/master/singleheader/simdjson.h
wget https://raw.githubusercontent.com/simdjson/simdjson/master/singleheader/simdjson.cpp
文章のハッシュ計算用にMurmurHash
を使う。
https://github.com/aappleby/smhasher/blob/master/src/MurmurHash3.cpp
git clone https://github.com/aappleby/smhasher.git
make
./deduplicate {target_dir} {output_dir}
This project is licensed under the MIT License, see the LICENSE.txt file for details