使用MD5哈希作为主键与使用int身份作为SQL Server中的主键的优缺点

Question

我有一个应用程序来处理文件并将其片段化为多个段，然后将结果保存到sql
server数据库中。有很多重复的文件（可能具有不同的文件路径），因此首先浏览所有这些文件并为每个文件计算Md5哈希，然后使用[Duplicated]列标记重复的文件。

然后每天我将运行该应用程序并将结果保存到[Result]表中。db模式如下：

    CREATE TABLE [dbo].[FilePath]
    (
        [FilePath] NVARCHAR(256) NOT NULL PRIMARY KEY,
        [FileMd5Hash] binay(16) NOT NULL,
        [Duplicated] BIT NOT NULL DEFAULT 0, 
        [LastRunBuild] NVARCHAR(30) NOT NULL DEFAULT 0
    )

    CREATE TABLE [dbo].[Result]
    (
        [Build] NVARCHAR(30) NOT NULL,
        [FileMd5Hash] binay(16) NOT NULL , 
        [SegmentId] INT NOT NULL,
        [SegmentContent] text NOT NULL 
        PRIMARY KEY ([FileMd5Hash], [Build], [SegmentId])
    )

而且我有要求在FileMd5Hash上加入这2个表。

由于[Result]的行数很大，因此我想添加一个int Identity列以将这些列连接到表中，如下所示：

    CREATE TABLE [dbo].[FilePath]
    (
        [FilePath] NVARCHAR(256) NOT NULL PRIMARY KEY,
        [FileMd5Hash] binay(16) NOT NULL,
        **[Id] INT NOT NULL IDENTITY,**
        [Duplicated] BIT NOT NULL DEFAULT 0, 
        [LastRunBuild] NVARCHAR(30) NOT NULL DEFAULT 0
    )

    CREATE TABLE [dbo].[Result]
    (
        [Build] NVARCHAR(30) NOT NULL,
        **[Id] INT NOT NULL,**  
        [SegmentId] INT NOT NULL,
        [SegmentContent] text NOT NULL 
        PRIMARY KEY ([FileMd5Hash], [Build], [SegmentId])
    )

那么这两种方式的优缺点是什么？

Answer 1

int键更易于实现，更易于使用和理解。它也更小（4字节对16字节），因此索引将适合每个IO页条目数的两倍，这意味着更好的性能。表行也将变小（好的，不会变小），因此，每页又可以容纳更多的行=更少的IO。

哈希值总是会产生冲突。尽管异常罕见，但正如生日问题所显示的那样，随着记录数量的增加，发生碰撞的可能性越来越大。与各种位长的散列发生冲突的机会达到50％所需的项目数如下：

Hash length (bits)   Item count for 50% chance of collision
                32   77000
                64   5.1 billion
               128   22 billion billion
               256   400 billion billion billion billion

还有一个问题是必须传递非ASCII字节-较难调试，通过电线发送等。

int对表使用顺序的主键。其他人都这样做。