​Python爬虫怎么实现url去重

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url3#       10000000*2byte*50个字符/1024/1024/1024=9G4# 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

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22# 个字节（byte）3# 计算式：10^8 x 50个字符 x 2个byte / 1024 / 1024 / 1024 = 9G4#                                    B      M      G5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, MD513编码长度 : 128位14结构 :　Merkle–Damgård construction15    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'''

 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 hashing10md5_obj.update(str01.encode(encoding='utf-8'))1112print('XksA的原话为 ：' + str01)13print('MD5加密后为 ：' + md5_obj.hexdigest())1415# 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

 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 hashes101112class BloomFilter(object):13    """14    A bloom filter implementation,15    which use Murmur hash and Spooky hash16    """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 elements21        :param error_rate: posi22        :param fname:23        :param h2:24        :param h3:25        """26        # calculate m & k27        self.capacity = capacity28        self.error_rate = error_rate29        self.num_of_bits, self.num_of_hashes = self._adjust_param(4096 * 8,30                                                                  error_rate)31        self._fname = fname32        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)3536    def _adjust_param(self, bits_size, expected_error_rate):37        """38        adjust k & m through 4 steps:39        1. Choose a ballpark value for n40        2. Choose a value for m41        3. Calculate the optimal value of k42        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 * 246        :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, 151        weight, e = math.log(2), math.exp(1)52        while error_rate > expected_error_rate:53            estimated_m *= 254            estimated_k = int((float(estimated_m) / n) * weight) + 155            error_rate = (1 - math.exp(- (estimated_k * n) / estimated_m)) ** estimated_k56            logging.info(estimated_m, estimated_k, error_rate)57        return estimated_m, estimated_k5859    def add(self, msg):60        """61        add a string to bloomfilter62        :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))7273    @staticmethod74    def open(self, fname):75        with open(fname) as fp:76            raise NotImplementedError7778    def __str__(self):79        """80        output bitset directly81        :return:82        """83        pass8485    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 False94        return True9596    def __len__(self):97        return self._size