scripts/dupe-finder

   1 #!/usr/bin/perl -w
   2 # Copyright (C) 2018-2020 all contributors <meta@public-inbox.org>
   3 # License: AGPL-3.0+ <https://www.gnu.org/licenses/agpl-3.0.txt>
   4 #
   5 # ad-hoc tool for finding duplicates, unstable!
   6 use strict;
   7 use warnings;
   8 use PublicInbox::Inbox;
   9 use PublicInbox::Over;
  10 use PublicInbox::Search;
  11 use PublicInbox::Config;
  12 my $repo = shift;
  13 my $ibx;
  14 if (index($repo, '@') > 0) {
  15         $ibx = PublicInbox::Config->new->lookup($repo);
  16 } elsif (-d $repo) {
  17         $ibx = { inboxdir => $repo, address => 'unnamed@example.com' };
  18         $ibx = PublicInbox::Inbox->new($ibx);
  19 } else {
  20         $ibx = PublicInbox::Config->new->lookup_name($repo);
  21 }
  22 $ibx or die "No inbox";
  23 $ibx->search or die "search not available for inbox";
  24 my $dbh = $ibx->search->{over_ro}->connect;
  25 my $over = PublicInbox::Over->new($dbh->sqlite_db_filename);
  26
  27 sub emit ($) {
  28         my ($nums) = @_;
  29         foreach my $n (@$nums) {
  30                 my $smsg = $over->get_art($n) or next;
  31                 print STDERR "$n $smsg->{blob} $smsg->{mid}\n";
  32                 my $msg = $ibx->msg_by_smsg($smsg) or next;
  33                 print "From $smsg->{blob}\@$n Thu Jan  1 00:00:00 1970\n";
  34                 $$msg =~ s/^(>*From )/>$1/gm;
  35                 print $$msg, "\n";
  36         }
  37 }
  38
  39 my $sth = $dbh->prepare(<<'');
  40 SELECT id,num FROM id2num WHERE num > 0 ORDER BY id
  41
  42 $sth->execute;
  43 my $prev_id = -1;
  44 my ($id, $num, @nums);
  45 while (1) {
  46         ($id, $num) = $sth->fetchrow_array;
  47         defined $id or last;
  48         if ($prev_id != $id) {
  49                 emit(\@nums) if scalar(@nums) > 1;
  50                 @nums = ();
  51         }
  52         $prev_id = $id;
  53         push @nums, $num;
  54 }