版权声明：转载请在文章开头说明作者为：简说Python，注明文章来源，并请联系微信：zs820553471,否则将追究版权责任，谢谢。 https://blog.csdn.net/qq_39241986/article/details/81675443
一、前言
今天给大家分享的是，Python爬虫里url去重策略及实现。
二、url去重及策略简介
1.url去重
从字面上理解，url去重即去除重复的url,在爬虫中就是去除已经爬取过的url,避免重复爬取，既影响爬虫效率，又产生冗余数据。
2.url去重策略
从表面上看，url去重策略就是消除url重复的方法，常见的url去重策略有五种，如下：
# 1.将访问过的ur保存到数据库中
# 2.将访问过的ur保存到set(集合)中,只需要o(1)的代价就可以查询url
# 10000000*2byte*50个字符/1024/1024/1024=9G
# 3.url经过md5等方法哈希后保存到set中
# 4.用 bitmap方法,将访问过的ur通过hash函数映射到某一位
# 5. bloomfilter方法对 bitmap进行改进,多重hash函数降低冲突三、看代码，边学边敲边记
1.将访问过的ur保存到数据库中（初学使用）
实现起来最简单，但效率最低。
其核心思想是，把页面上爬取到的每个url存储到数据库，为了避免重复，每次存储前都要遍历查询数据库中是否已经存在当前url（即是否已经爬取过了）,若存在，则不保存，否则，保存当前url,继续保存下一条，直至结束。
2.将访问过的ur保存到set内存中
将访问过的ur保存到set中,只需要o(1)的代价就可以查询url，取url方便快速，基本不用查询，但是随着存储的url越来越多，占用内存会越来越大。
# 简单计算：假设有1亿条url,每个url平均长度为50个字符，python里unicode编码，每个字符16位，占2
# 个字节（byte）
# 计算式：10^8 x 50个字符 x 2个byte / 1024 / 1024 / 1024 = 9G
# B M G
如果是2亿个url,那么占用内存将达18G，也不是特别方便，适合小型爬虫。3.url经过md5缩减到固定长度
'''
简单计算：一个url经MD5转换，变成一个128bit(位)的字符串，占16byte(字节)，方法二中一个url保守估
计占50个字符 x 2 = 100byte(字节)，
计算式： 这样一比较，MD5的空间节省率为：（100-16）/100 = 84%（相比于方法二）
(Scrapy框架url去重就是采用的类似方法)
'''
# 维基百科看MD5算法
'''
MD5概述
设计者 : 罗纳德·李维斯特
首次发布 : 1992年4月
系列 : MD, MD2, MD3, MD4, MD5
编码长度 : 128位
结构 : Merkle–Damgård construction
MD5消息摘要算法（英语：MD5 Message-Digest Algorithm），一种被广泛使用的密码散列函数，可
以产生出一个128位（16字节）的散列值（hash value），用于确保信息传输完整一致。MD5由美国密码学家
罗纳德·李维斯特（Ronald Linn Rivest）设计，于1992年公开，用以取代MD4算法。这套算法的程序在
RFC 1321 中被加以规范。
将数据（如一段文字）运算变为另一固定长度值，是散列算法的基础原理。
'''MD5使用实例：
# 在python3中使用hashlib模块进行md5操作
import hashlib
# 待加密信息
str01 = 'This is your md5 password!'
# 创建md5对象
md5_obj = hashlib.md5()
# 进行MD5加密前必须 encode(编码)，python里默认是unicode编码，必须转换成utf-8
# 否则报错：TypeError: Unicode-objects must be encoded before hashing
md5_obj.update(str01.encode(encoding='utf-8'))
print('XksA的原话为 ：' + str01)
print('MD5加密后为 ：' + md5_obj.hexdigest())
# result ：
# XksA的原话为 ：This is your md5 password!
# MD5加密后为 ：0a5f76e7b0f352e47fed559f904c91594.用 bitmap方法,将访问过的ur通过hash函数映射到某一位
'''
实现原理：通过hash函数，将每个url映射到一个hash位置中，一个hash位可以只占用一个bit(位)大小，那
么相对于方法三：一个url占128bit(位)，hash函数法的空间节省成百倍增长。
计算式：这样一比较，bitmap方法的空间节省率为：
（128-1）/128= 99.2%(相比于方法三)
（100 * 8 - 1）/（100*8）= 99.88%（相比于方法一）
## (缺点：容易产生冲突) ##
'''
# 维基百科看Hash 函数
'''
hash函数：
散列函数（英语：Hash function）又称散列算法、哈希函数，是一种从任何一种数据中创建小的数字“指纹”
的方法。散列函数把消息或数据压缩成摘要，使得数据量变小，将数据的格式固定下来。该函数将数据打乱混
合，重新创建一个叫做散列值（hash values，hash codes，hash sums，或hashes）的指纹。散列值通常
用一个短的随机字母和数字组成的字符串来代表。好的散列函数在输入域中很少出现散列冲突。在散列表和数
据处理中，不抑制冲突来区别数据，会使得数据库记录更难找到。
'''5.bloomfilter方法对 bitmap进行改进,多重hash函数降低冲突
# 维基百科看Bloomfilter
'''
# 基本概述
如果想判断一个元素是不是在一个集合里，一般想到的是将集合中所有元素保存起来，然后通过比较确定。
链表、树、散列表（又叫哈希表，Hash table）等等数据结构都是这种思路。但是随着集合中元素的增加，
我们需要的存储空间越来越大。同时检索速度也越来越慢，上述三种结构的检索时间复杂度分别为：
O(n),O(log n),O(n/k)
# 原理概述
布隆过滤器的原理是，当一个元素被加入集合时，通过K个散列函数将这个元素映射成一个位数组中的K个
点，把它们置为1。检索时，我们只要看看这些点是不是都是1就（大约）知道集合中有没有它了：如果这些点
有任何一个0，则被检元素一定不在；如果都是1，则被检元素很可能在。这就是布隆过滤器的基本思想。
# 优缺点
布隆过滤器可以用于检索一个元素是否在一个集合中。
优点是空间效率和查询时间都远远超过一般的算法。
缺点是有一定的误识别率和删除困难。
'''
# Bloomfilter介绍还可以看这里：https://blog.csdn.net/preyta/article/details/72804148Bloomfilter底层实现：
# 源码地址：https://github.com/preytaren/fastbloom/blob/master/fastbloom/bloomfilter.py
import math
import logging
import functools
import pyhash
from bitset import MmapBitSet
from hash_tools import hashes
class BloomFilter(object):
"""
A bloom filter implementation,
which use Murmur hash and Spooky hash
"""
def __init__(self, capacity, error_rate=0.0001, fname=None,
h1=pyhash.murmur3_x64_128(), h2=pyhash.spooky_128()):
"""
:param capacity: size of possible input elements
:param error_rate: posi
:param fname:
:param h1:
:param h2:
"""
# calculate m & k
self.capacity = capacity
self.error_rate = error_rate
self.num_of_bits, self.num_of_hashes = self._adjust_param(4096 * 8,
error_rate)
self._fname = fname
self._data_store = MmapBitSet(self.num_of_bits)
self._size = len(self._data_store)
self._hashes = functools.partial(hashes, h1=h1, h2=h2, number=self.num_of_hashes)
def _adjust_param(self, bits_size, expected_error_rate):
"""
adjust k & m through 4 steps:
1. Choose a ballpark value for n
2. Choose a value for m
3. Calculate the optimal value of k
4. Calculate the error rate for our chosen values of n, m, and k.
If it's unacceptable, return to step 2 and change m;
otherwise we're done.
in every loop, m = m * 2
:param bits_size:
:param expected_error_rate:
:return:
"""
n, estimated_m, estimated_k, error_rate = self.capacity, int(bits_size / 2), None, 1
weight, e = math.log(2), math.exp(1)
while error_rate > expected_error_rate:
estimated_m *= 2
estimated_k = int((float(estimated_m) / n) * weight) + 1
error_rate = (1 - math.exp(- (estimated_k * n) / estimated_m)) ** estimated_k
logging.info(estimated_m, estimated_k, error_rate)
return estimated_m, estimated_k
def add(self, msg):
"""
add a string to bloomfilter
:param msg:
:return:
"""
if not isinstance(msg, str):
msg = str(msg)
positions = []
for _hash_value in self._hashes(msg):
positions.append(_hash_value % self.num_of_bits)
for pos in sorted(positions):
self._data_store.set(int(pos))
@staticmethod
def open(self, fname):
with open(fname) as fp:
raise NotImplementedError
def __str__(self):
"""
output bitset directly
:return:
"""
pass
def __contains__(self, msg):
if not isinstance(msg, str):
msg = str(msg)
positions = []
for _hash_value in self._hashes(msg):
positions.append(_hash_value % self.num_of_bits)
for position in sorted(positions):
if not self._data_store.test(position):
return False
return True
def __len__(self):
return self._size四、后言
学完这一期，我觉得，是时候拿起高数书，线代书，概率论，离散数学…好好学习数学了，哈哈哈！
附赠：七夕快乐大家。
欢迎大家关注微信公众号：极简XksA,获取Python/Java/前端等学习资源！
