​Python爬虫怎么实现url去重

一、前言

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# 1.将访问过的ur保存到数据库中
2# 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
3#       10000000*2byte*50个字符/1024/1024/1024=9G
4# 3.url经过md5等方法哈希后保存到set中
5# 4.用 bitmap方法,将访问过的ur通过hash函数映射到某一位
6# 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url去重策略

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。

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。

1# 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
2# 个字节（byte）
3# 计算式：10^8 x 50个字符 x 2个byte / 1024 / 1024 / 1024 = 9G
4#                                    B      M      G
5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。

 1'''

 2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

 3估计占50个字符 x 2 = 100byte(字节)，

 4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）

 5(Scrapy框架url去重就是采用的类似方法)

 6'''

 7# 维基百科看MD5算法

 8'''

 9MD5概述
10设计者 : 罗纳德·李维斯特
11首次发布 : 1992年4月
12系列 : MD, MD2, MD3, MD4, MD5
13编码长度 : 128位
14结构 :　Merkle–Damgård construction
15    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
16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
17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 
18RFC 1321 中被加以规范。
19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。
20'''

MD5使用实例：

 1# 在python3中使用hashlib模块进行md5操作

 2import hashlib

 3

 4# 待加密信息

 5str01 = 'This is your md5 password!'

 6# 创建md5对象

 7md5_obj = hashlib.md5()

 8# 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

 9# 否则报错：TypeError: Unicode-objects must be encoded before hashing
10md5_obj.update(str01.encode(encoding='utf-8'))
11
12print('XksA的原话为 ：' + str01)
13print('MD5加密后为 ：' + md5_obj.hexdigest())
14
15# result　：
16#        XksA的原话为 ：This is your md5 password!
17#        MD5加密后为 ：0a5f76e7b0f352e47fed559f904c9159

 1'''

 2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

 3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。

 4计算式：这样一比较，bitmap方法的空间节省率为：

 5（128-1）/128= 99.2%(相比于方法三)

 6（100 * 8 - 1）/（100*8）= 99.88%（相比于方法一）

 7                       ##   (缺点：容易产生冲突)  ##

 8'''

 9# 维基百科看Hash 函数
10'''
11hash函数：
12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”
13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
14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
15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
16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。
17'''

 1# 维基百科看Bloomfilter

 2'''

 3# 基本概述

 4   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。

 5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，

 6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：

 7                            O(n),O(log n),O(n/k)

 8# 原理概述

 9   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
10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
11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。
12# 优缺点
13    布隆过滤器可以用于检索一个元素是否在一个集合中。
14    优点是空间效率和查询时间都远远超过一般的算法。
15    缺点是有一定的误识别率和删除困难。
16'''
17# Bloomfilter介绍还可以看这里：https://blog.csdn.net/preyta/article/details/72804148

Bloomfilter底层实现：

 1# 源码地址：https://github.com/preytaren/fastbloom/blob/master/fastbloom/bloomfilter.py

 2import math

 3import logging

 4import functools

 5

 6import pyhash

 7

 8from bitset import MmapBitSet

 9from hash_tools import hashes
10
11
12class BloomFilter(object):
13    """
14    A bloom filter implementation,
15    which use Murmur hash and Spooky hash
16    """
17    def __init__(self, capacity, error_rate=0.0001, fname=None,
18                 h2=pyhash.murmur3_x64_128(), h3=pyhash.spooky_128()):
19        """
20        :param capacity: size of possible input elements
21        :param error_rate: posi
22        :param fname:
23        :param h2:
24        :param h3:
25        """
26        # calculate m & k
27        self.capacity = capacity
28        self.error_rate = error_rate
29        self.num_of_bits, self.num_of_hashes = self._adjust_param(4096 * 8,
30                                                                  error_rate)
31        self._fname = fname
32        self._data_store = MmapBitSet(self.num_of_bits)
33        self._size = len(self._data_store)
34        self._hashes = functools.partial(hashes, h2=h2, h3=h3, number=self.num_of_hashes)
35
36    def _adjust_param(self, bits_size, expected_error_rate):
37        """
38        adjust k & m through 4 steps:
39        1. Choose a ballpark value for n
40        2. Choose a value for m
41        3. Calculate the optimal value of k
42        4. Calculate the error rate for our chosen values of n, m, and k.
43           If it's unacceptable, return to step 2 and change m;
44           otherwise we're done.
45        in every loop, m = m * 2
46        :param bits_size:
47        :param expected_error_rate:
48        :return:
49        """
50        n, estimated_m, estimated_k, error_rate = self.capacity, int(bits_size / 2), None, 1
51        weight, e = math.log(2), math.exp(1)
52        while error_rate > expected_error_rate:
53            estimated_m *= 2
54            estimated_k = int((float(estimated_m) / n) * weight) + 1
55            error_rate = (1 - math.exp(- (estimated_k * n) / estimated_m)) ** estimated_k
56            logging.info(estimated_m, estimated_k, error_rate)
57        return estimated_m, estimated_k
58
59    def add(self, msg):
60        """
61        add a string to bloomfilter
62        :param msg:
63        :return:
64        """
65        if not isinstance(msg, str):
66            msg = str(msg)
67        positions = []
68        for _hash_value in self._hashes(msg):
69            positions.append(_hash_value % self.num_of_bits)
70        for pos in sorted(positions):
71            self._data_store.set(int(pos))
72
73    @staticmethod
74    def open(self, fname):
75        with open(fname) as fp:
76            raise NotImplementedError
77
78    def __str__(self):
79        """
80        output bitset directly
81        :return:
82        """
83        pass
84
85    def __contains__(self, msg):
86        if not isinstance(msg, str):
87            msg = str(msg)
88        positions = []
89        for _hash_value in self._hashes(msg):
90            positions.append(_hash_value % self.num_of_bits)
91        for position in sorted(positions):
92            if not self._data_store.test(position):
93                return False
94        return True
95
96    def __len__(self):
97        return self._size