电子邮件的唯一标识符

Question

我正在编写一个 C# 应用程序，它允许用户将电子邮件存储在 MS SQL Server 数据库中。很多时候，一个客户的电子邮件会被多个用户复制。如果他们都尝试将相同的电子邮件添加到数据库中，我想确保该电子邮件仅添加一次。

MD5 就是一种实现此目的的方法。我不需要担心恶意篡改，只需确保同一封电子邮件将映射到相同的哈希值，并且不会有两封具有不同内容的电子邮件映射到相同的哈希值。

我的问题实际上归结为如何将多个字段组合成一个 MD5（或其他）哈希值。其中一些字段每封电子邮件只有一个值（例如主题、正文、发件人电子邮件地址），而其他字段则有多个值（不同数量的附件、收件人）。我想开发一种唯一标识电子邮件的方法，该方法将独立于平台和语言（不基于序列化）。有什么建议吗？

Answer 1

您计划归档多少电子邮件？如果您不希望存档需要很多 TB，我认为这是一个不成熟的优化。

由于每个字段都可以表示为字符串或字节数组，因此无论它包含多少个值，对于哈希函数来说，它们看起来都是一样的。只需将它们散列在一起，您就会得到一个唯一的标识符。

编辑 Psuedocode 示例

# intialized the hash object
hash = md5()

# compute the hashes for each field
hash.update(from_str)
hash.update(to_str)
hash.update(cc_str)
hash.update(body_str)
hash.update(...) # the rest of the email fields

# compute the identifier string
id = hash.hexdigest()

如果将所有更新调用替换为“

# concatenate all fields and hash
hash.update(from_str + to_str + cc_str + body_str + ...)

提取字符串的方式”，您将获得相同的输出，并且界面将根据您的应用程序、语言和 API 的不同而有所不同。

当给定相同的输入时，不同的电子邮件客户端可能会为某些字段生成不同的格式，但这并不重要，这将为您提供原始电子邮件唯一的哈希值。

Answer 2

您是否看过其他一些标头，例如（在我的邮件中，OS X Mail）：

X-Universally-Unique-Identifier: 82d00eb8-2a63-42fd-9817-a3f7f57de6fa
Message-Id: <[email protected]>

至少需要 Message-Id。对于相同的邮件（发送给多个收件人），该字段很可能是相同的。这比散列更有效。

不是问题的答案，但也许是问题的答案:)

Answer 3

为什么不直接对原始消息进行哈希处理呢？它已经对除信封发件人和收件人之外的所有相关字段进行了编码，您可以在散列之前自行将这些字段添加为标头。它还包含所有附件、整个消息正文等，这是一种自然而简单的表示。它也不会受到 mikerobi 提案中容易生成的哈希冲突的影响。