本发明实施例涉及数据库技术领域，尤其涉及一种数据去重方法、装置、设备及存储介质。
背景技术：
在进行数据汇总的过程中，通常会通过主关键字的方式对数据文件进行去重处理，避免数据库中存在大量的重复数据，导致存储资源的浪费。具体的，主关键字可以用于唯一的标识表中的数据记录，主关键字又称为主键，可以由一个字段或多个字段组成。
但是，数据文件的提供方提供的数据文件通常没有主键，并且经常会出现数据文件被重复性提供的情况。也有人提出可以通过临时库方式或全表对比的方式进行数据去重。其中，临时库方式是将文件数据统计采集到临时的数据库中，通过sql(structuredquerylanguage，结构化查询语言)脚本进行数据去重，再将去重后得到的数据文件保存在数据库中。全表对比是在每次得到新的文件数据时，将该文件数据和数据库中的所有数据进行对比去重。
基于上述现有的技术方案，临时库的方法会对已经去重过的文件数据重复进行去重处理，维护成本较大。而全表对比的方法在数据库数据量较大的情况下，数据去重的效率不高。
技术实现要素：
本发明实施例提供了一种数据去重方法、装置、设备及存储介质，以提高数据去重的效率。
第一方面，本发明实施例提供了一种数据去重方法，该方法包括：
获取待处理文件中的待处理数据，并计算所述待处理数据的第一哈希值和第一md5值；
根据所述第一哈希值，确定已存储的检索数据中进行数据比对的目标哈希分区，其中，所述检索数据包括至少一个哈希分区，每一个哈希分区包括至少一个md5值；
确定所述目标哈希分区的至少一个md5值中是否存在所述第一md5值；
如果存在，则确定所述待处理数据为重复数据，并基于所述待处理数据对文档数据库中与所述第一md5值对应的存储数据进行更新。
第二方面，本发明实施例还提供了一种数据去重装置，该装置包括：
待处理数据获取模块，用于获取待处理文件中的待处理数据，并计算所述待处理数据的第一哈希值和第一md5值；
目标哈希分区确定模块，用于根据所述第一哈希值，确定已存储的检索数据中进行数据比对的目标哈希分区，其中，所述检索数据包括至少一个哈希分区，每一个哈希分区包括至少一个md5值；
第一md5值确定模块，用于确定所述目标哈希分区的至少一个md5值中是否存在所述第一md5值；
重复数据确定模块，用于如果存在，则确定所述待处理数据为重复数据，并基于所述待处理数据对文档数据库中与所述第一md5值对应的存储数据进行更新。
第三方面，本发明实施例还提供了一种设备，该设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述所涉及的任一所述的数据去重方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行上述所涉及的任一所述的数据去重方法。
本发明实施例通过计算哈希值和md5值，解决了没有主关键字情况下的数据去重问题，缩短了数据去重的时间，进而提高了对文件中的数据采集的效率。
附图说明
图1是本发明实施例一提供的一种数据去重方法的流程图。
图2是本发明实施例二提供的一种数据去重方法的流程图。
图3是本发明实施例二提供的一种数据去重方法的具体实例流程图。
图4是本发明实施例三提供的一种数据去重装置的示意图。
图5是本发明实施例四提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种数据去重方法的流程图，本实施例可适用于文件采集时数据去重的情况，该方法可以由数据去重装置来执行，该装置可采用软件和/或硬件的方式实现。具体包括如下步骤：
s110、获取待处理文件中的待处理数据，并计算待处理数据的第一哈希值和第一md5值。
其中，示例性的，待处理文件的文件类型包括excel(电子表格)、txt(文本文档)或csv(commaseparatevalues，逗号分隔值)等。待处理数据的数据格式则与待处理文件的文件类型相关。示例性的，待处理数据可以是数字、文字和符号等等，此处待处理文件和待处理数据的不作限定。
其中，待处理数据在待处理文件中的数据单元包括行和/或列。示例性的，待处理文件中的至少一个行数据包括与用户a相关的数据，或，至少一个列数据包括与用户a相关的数据，或，至少一行和至少一列数据包括与用户a相关的数据。此处对待处理数据在待处理文件中的数据范围不作限定，可以根据具体的数据形式确定。
其中，哈希(hash)是一种散列函数，将任一长度的输入数据通过散列算法变换成固定长度的数据输出，且输出数据为散列值。其中，示例性的，采用一致性哈希算法计算待处理数据的哈希值，具体的，一致性哈希算法包括crc32函数。需要说明的是，本发明实施例中计算得到的哈希值由数字组成，且不存在字母或特殊字符。
其中，md5(message-digestalgorithm5，信息摘要算法)是一种密码散列函数，输出128位元的散列值。需要说明的是，本发明实施例中计算得到的md5值包括数字、字母和特殊字符中至少一种数值格式。md5值可以唯一的确定一段数据，但md5算法没有解密算法，即不能通过md5值反推得到原始数据。
在一个实施例中，可选的，获取待处理数据中的预设字段数据，并基于预设字段数据计算第一哈希值和第一md5值。
其中，预设字段数据包括至少一个字段数据，示例性的，预设字段数据可以是全部待处理数据，也可以是待处理数据中的关键数据。在一个实施例中，可选的，根据待处理文件的业务类型，确定预设字段数据。示例性的，业务类型可以是理财、用户信息统计和消费记录等。举例而言，如果待处理文件的业务类型为理财，则待处理数据中的预设字段数据包括基金/股票、金额、买入时间和卖出时间等数据类别对应的数据；如果待处理文件的业务类型为用户信息统计，则待处理数据中的预设字段数据包括姓名、性别、出生年月、家庭住址和学历等数据类别对应的数据。此处对预设字段数据的数据类别不作限定，可以根据数据采集时对应的业务类型具体确定。
s120、根据第一哈希值，确定已存储的检索数据中进行数据比对的目标哈希分区，其中，检索数据包括至少一个哈希分区，每一个哈希分区包括至少一个md5值。
在一个实施例中，可选的，获取文档数据库中已存储的至少一个存储数据，并计算存储数据的第二哈希值和第二md5值；根据缓存数据库中的哈希分区，将第二md5值存储至与第二md5值对应的第二哈希值所属的哈希分区中，生成检索数据。
其中，文档数据库是用于存储采集到的数据的数据库。其中，第二哈希值和第二md5值是指文档数据库中存储数据对应的哈希值和md5值，具体的，每个存储数据均对应一个哈希值和一个md5值。其中，示例性的，缓存数据库可以是redis(remotedictionaryserver，远程字典服务)数据库，redis数据库是一种高性能的分布式内存数据库。其中，哈希分区是通过指定分区编号来均匀分布数据的一种分区类型，在每个哈希分区中可以保存计算得到的md5值。
在一个实施例中，可选的，根据计算得到的各存储数据的哈希值，确定哈希分区规则，并根据哈希分区规则，确定缓存数据库中的哈希分区。其中，示例性的，假设计算得到的各存储数据的哈希值的数值范围在1-10之间，则在该数据范围内确定哈希分区规则，如哈希分区1包括哈希值为1-5的数值范围，哈希分区2包括哈希值为6-10的数据范围。这样设置的好处在于，保证缓存数据库中的哈希分区与存储数据相关，避免默认的哈希分区不能包括全部的存储数据的哈希值或哈希分区的范围过大的问题，从而提高检索数据的适用性。
其中，示例性的，假设第一哈希值为5，且检索数据包括数值范围为1-6的哈希分区，该哈希分区则为目标哈希分区。
s130、确定目标哈希分区的至少一个md5值中是否存在第一md5值。
s140、如果存在，则确定待处理数据为重复数据，并基于待处理数据对文档数据库中与第一md5值对应的存储数据进行更新。
在一个实施例中，可选的，基于待处理数据对文档数据库中与第一md5值对应的存储数据进行更新，包括：基于待处理数据对文档数据库中与第一md5值对应的存储数据进行替换。
在上述实施例的基础上，还包括：如果目标哈希分区的至少一个md5值不存在第一md5值，则将待处理数据存储至文档数据库中，并将第一md5值保存在检索数据中，以对检索数据进行更新。
本实施例的技术方案，通过计算哈希值和md5值，解决了没有主关键字情况下的数据去重问题，缩短了数据去重的时间，进而提高了对文件中的数据采集的效率。
实施例二
图2是本发明实施例二提供的一种数据去重方法的流程图，本实施例的技术方案是上述实施例的基础上的进一步细化。可选的，所述检索数据还包括所述各存储数据对应的主关键字数据，相应的，在获取待处理文件中的待处理数据之后，还包括：确定所述待处理数据中是否存在预设主关键字数据；如果存在，则基于所述预设主关键字数据对所述待处理数据进行重复性判断。
s210、获取待处理文件中的待处理数据。
s220、判断待处理数据中存在预设主关键字数据；如果存在，则执行s230，如果不存在，则执行s240。
其中，主关键字数据是指待处理数据中的至少一个字段数据，且主关键字数据能唯一的标识该待处理数据。在一个实施例中，可选的，根据待处理文件的业务类型，确定预设主关键字数据的预设数据类别；根据预设数据类别，确定待处理数据中是否存在预设主关键字数据。示例性的，业务类型可以是理财、用户信息统计和消费记录等。举例而言，如果待处理文件的业务类型为理财，则待处理数据中的预设主关键字的预设数据类别可以是理财代码，其中，理财代码用于唯一的标识每一条理财数据；如果待处理文件的业务类型为用户信息统计，则待处理数据中的预设主关键的预设数据类别可以是姓名和身份证号。
此处对预设主关键字数据的数据类别和字段个数不作限定，可以根据数据采集时对应的业务类型具体确定。举例而言，当待处理文件的业务类型为用户学历信息统计时，则身份证号数据可以作为预设关键字数据唯一的标识待处理数据。但当待处理文件的业务类型为用户使用社保信息统计时，则同一用户使用社保的每个待处理数据中均包括相同的身份证号数据，但该身份证号数据不能唯一的标识该待处理数据，因此，预设关键字数据可以是身份证号数据和使用时间数据。
s230、基于预设主关键字数据对待处理数据进行重复性判断，并执行s280。
在一个实施例中，可选的，将待处理数据的预设主关键字数据与检索数据中的主关键字数据进行比对；当预设主关键字数据与检索数据中的任一主关键字数据相同时，确定待处理数据为重复数据，并基于待处理数据对文档数据库中与预设主关键字数据对应的存储数据进行更新。
其中，具体的，将预设主关键字数据的字段个数和各字段数据内容分别与检索数据中的主关键字数据的字段个数和各字段数据内容进行比对，当预设主关键字数据中的字段个数和各字段数据内容与检索数据中的任一主关键字数据中的字段个数和各字段数据内容均相同时，则确定待处理数据为重复数据。
在一个实施例中，可选的，基于待处理数据对文档数据库中与预设主关键字数据对应的存储数据进行更新，包括：基于待处理数据对文档数据库中与预设主关键字数据对应的存储数据进行替换。
在上述实施例的基础上，还包括：如果预设主关键字数据与检索数据中的任一主关键字数据均不相同，则将待处理数据存储至文档数据库中，并将预设主关键字数据保存在检索数据中，以对检索数据进行更新。
s240、计算待处理数据的第一哈希值和第一md5值。
s250、根据第一哈希值，确定已存储的检索数据中进行数据比对的目标哈希分区。
s260、确定目标哈希分区的至少一个md5值中是否存在第一md5值。
s270、如果存在，则确定待处理数据为重复数据，并基于待处理数据对文档数据库中与第一md5值对应的存储数据进行更新。
s280、结束。
图3是本发明实施例二提供的一种数据去重方法的具体实例流程图。在接收到待处理文件后，对待处理文件进行解析得到可执行的脚本文件，示例性的，待处理文件的文件类型可以是excel、txt或csv类型。当待处理文件满足可执行条件时，也可以直接对待处理文件中的数据进行读取。示例性的，读取的待处理数据可以是待处理文件中的行数据，也可以是列数据。
在读取待处理数据后，判断待处理数据中是否存在主键数据，即预设主关键字数据。如果存在，将该主键数据在缓存数据库中的检索数据中进行检索，判断检索数据中是否存在该主键数据。如果存在，则确定该待处理数据为重复数据，基于该待处理数据对文档数据库中与该主键数据对应的存储数据进行更新。如果检索数据中不存在该主键数据，则将该主键数据保存在缓存数据库的检索数据中，并将该待处理数据保存在文档数据库中。
如果待处理数据中不包括主键数据，则获取待处理数据中的预设字段数据，并计算该预设字段数据的md5值和哈希值。根据预设字段数据的哈希值，确定缓存数据库的检索数据中与该哈希值对应的目标哈希分区，并在目标哈希分区中检索是否存在该预设字段数据的md5值。如果存在，则确定该待处理数据为重复数据，基于该待处理数据对文档数据库中与该md5值对应的存储数据进行更新。如果目标哈希分区中不存在该md5值，则将该md5值保存在检索数据的该目标哈希分区中，并将该待处理数据保存在文档数据库中。
本实施例的技术方案，通过先对待处理数据中是否存在主关键字数据进行判断，解决了数据去重中计算量较大的问题，避免了对待处理数据进行计算的过程，进一步缩短了数据去重的时间，进而提高了对文件中的数据采集的效率。
实施例三
图4是本发明实施例三提供的一种数据去重装置的示意图。本实施例可适用于文件采集时数据去重的情况，该装置可采用软件和/或硬件的方式实现。该数据去重装置包括待处理数据获取模块310、目标哈希分区确定模块320、第一md5值确定模块330和重复数据确定模块340。
其中，待处理数据获取模块310，用于获取待处理文件中的待处理数据，并计算待处理数据的第一哈希值和第一md5值；
目标哈希分区确定模块320，用于根据第一哈希值，确定已存储的检索数据中进行数据比对的目标哈希分区，其中，检索数据包括至少一个哈希分区，每一个哈希分区包括至少一个md5值；
第一md5值确定模块330，用于确定目标哈希分区的至少一个md5值中是否存在第一md5值；
重复数据确定模块340，用于如果存在，则确定待处理数据为重复数据，并基于待处理数据对文档数据库中与第一md5值对应的存储数据进行更新。
本实施例的技术方案，通过计算哈希值和md5值，解决了没有主关键字情况下的数据去重问题，缩短了数据去重的时间，进而提高了对文件中的数据采集的效率。
在上述技术方案的基础上，可选的，该装置还包括：
检索数据生成模块，用于获取文档数据库中已存储的至少一个存储数据，并计算存储数据的第二哈希值和第二md5值；根据缓存数据库中的哈希分区，将第二md5值存储至与第二md5值对应的第二哈希值所属的哈希分区中，生成检索数据。
可选的，检索数据还包括各存储数据对应的主关键字数据，相应的，待处理数据获取模块310还包括：
预设主关键字数据确定单元，用于确定待处理数据中是否存在预设主关键字数据；
预设主关键字数据判断单元，用于如果存在，则基于预设主关键字数据对待处理数据进行重复性判断。
可选的，预设主关键字数据判断单元具体用于：
将待处理数据的预设主关键字数据与检索数据中的主关键字数据进行比对；当预设主关键字数据与检索数据中的任一主关键字数据相同时，确定待处理数据为重复数据，并基于待处理数据对文档数据库中与预设主关键字数据对应的存储数据进行更新。
可选的，该装置还包括待处理数据存储模块，该待处理数据存储模块包括：
待处理数据存储单元，用于如果目标哈希分区的至少一个md5值不存在第一md5值，或者预设主关键字数据与检索数据中的任一主关键字数据均不相同，则将待处理数据存储至文档数据库中。
可选的，待处理数据存储模块还包括：
检索数据更新单元，用于将第一md5值和/或预设主关键字数据保存在检索数据中，以对检索数据进行更新。
可选的，待处理数据获取模块310具体用于：
获取待处理数据中的预设字段数据，并基于预设字段数据计算第一哈希值和第一md5值。
本发明实施例所提供的数据去重装置可以用于执行本发明实施例所提供的数据去重方法，具备执行方法相应的功能和有益效果。
值得注意的是，上述数据去重装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例四
图5是本发明实施例四提供的一种设备的结构示意图，本发明实施例为本发明上述实施例的数据去重方法的实现提供服务，可配置上述实施例中的数据去重装置。图5示出了适于用来实现本发明实施方式的示例性设备12的框图。图5显示的设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该设备12交互的设备通信，和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图5所示，网络适配器20通过总线18与设备12的其它模块通信。应当明白，尽管图中未示出，可以结合设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的数据去重方法。
通过上述设备，解决了没有主关键字情况下的数据去重问题，缩短了数据去重的时间，进而提高了对文件中的数据采集的效率。
实施例五
本发明实施例五还提供了一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种数据去重方法，该方法包括：
获取待处理文件中的待处理数据，并计算待处理数据的第一哈希值和第一md5值；
根据第一哈希值，确定已存储的检索数据中进行数据比对的目标哈希分区，其中，检索数据包括至少一个哈希分区，每一个哈希分区包括至少一个md5值；
确定目标哈希分区的至少一个md5值中是否存在第一md5值；
如果存在，则确定待处理数据为重复数据，并基于待处理数据对文档数据库中与第一md5值对应的存储数据进行更新。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如java、smalltalk、c ，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(lan)或广域网(wan)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作，还可以执行本发明任意实施例所提供的数据去重方法中的相关操作。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
1.一种数据去重方法，其特征在于，包括：
获取待处理文件中的待处理数据，并计算所述待处理数据的第一哈希值和第一md5值；
根据所述第一哈希值，确定已存储的检索数据中进行数据比对的目标哈希分区，其中，所述检索数据包括至少一个哈希分区，每一个哈希分区包括至少一个md5值；
确定所述目标哈希分区的至少一个md5值中是否存在所述第一md5值；
如果存在，则确定所述待处理数据为重复数据，并基于所述待处理数据对文档数据库中与所述第一md5值对应的存储数据进行更新。
2.根据权利要求1所述的方法，其特征在于，还包括：
获取文档数据库中已存储的至少一个存储数据，并计算所述存储数据的第二哈希值和第二md5值；
根据缓存数据库中的哈希分区，将所述第二md5值存储至与所述第二md5值对应的第二哈希值所属的哈希分区中，生成检索数据。
3.根据权利要求1所述的方法，其特征在于，所述检索数据还包括所述各存储数据对应的主关键字数据，相应的，在获取待处理文件中的待处理数据之后，还包括：
确定所述待处理数据中是否存在预设主关键字数据；
如果存在，则基于所述预设主关键字数据对所述待处理数据进行重复性判断。
4.根据权利要求3所述的方法，其特征在于，所述基于所述预设主关键字数据对所述待处理数据进行重复性判断，包括：
将所述待处理数据的预设主关键字数据与所述检索数据中的主关键字数据进行比对；
当所述预设主关键字数据与所述检索数据中的任一主关键字数据相同时，确定所述待处理数据为重复数据，并基于所述待处理数据对文档数据库中与所述预设主关键字数据对应的存储数据进行更新。
5.根据权利要求1或4所述的方法，其特征在于，所述方法还包括：
如果所述目标哈希分区的至少一个md5值不存在所述第一md5值，或者所述预设主关键字数据与所述检索数据中的任一主关键字数据均不相同，则将所述待处理数据存储至所述文档数据库中。
6.根据权利要求5所述的方法，其特征在于，在所述将所述待处理数据存储至所述文档数据库之后，还包括：
将所述第一md5值和/或所述预设主关键字数据保存在所述检索数据中，以对所述检索数据进行更新。
7.根据权利要求1所述的方法，其特征在于，所述计算所述待处理数据文件对应的第一哈希值和第一md5值，包括：
获取所述待处理数据中的预设字段数据，并基于所述预设字段数据计算第一哈希值和第一md5值。
8.一种数据去重装置，其特征在于，包括：
待处理数据获取模块，用于获取待处理文件中的待处理数据，并计算所述待处理数据的第一哈希值和第一md5值；
目标哈希分区确定模块，用于根据所述第一哈希值，确定已存储的检索数据中进行数据比对的目标哈希分区，其中，所述检索数据包括至少一个哈希分区，每一个哈希分区包括至少一个md5值；
第一md5值确定模块，用于确定所述目标哈希分区的至少一个md5值中是否存在所述第一md5值；
重复数据确定模块，用于如果存在，则确定所述待处理数据为重复数据，并基于所述待处理数据对文档数据库中与所述第一md5值对应的存储数据进行更新。
9.一种设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的数据去重方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的数据去重方法。
技术总结