【Python | 邊學邊敲邊記】第三次:URL去重策略

一、前言

今天給大家分享的是，Python爬蟲裡url去重策略及實現。

二、url去重及策略簡介1.url去重

    從字面上理解，url去重即去除重複的url,在爬蟲中就是去除已經爬取過的url,避免重複爬取，既影響爬蟲效率，又產生冗餘數據。

2.url去重策略

    從表面上看，url去重策略就是消除url重複的方法，常見的url去重策略有五種，如下：

1
2
3
4
5
6

三、看代碼，邊學邊敲邊記url去重策略1.將訪問過的ur保存到資料庫中（初學使用）

實現起來最簡單，但效率最低。
其核心思想是，把頁面上爬取到的每個url存儲到資料庫，為了避免重複，每次存儲前都要遍歷查詢資料庫中是否已經存在當前url（即是否已經爬取過了）,若存在，則不保存，否則，保存當前url,繼續保存下一條，直至結束。

2.將訪問過的ur保存到set內存中

將訪問過的ur保存到set中,只需要o(1)的代價就可以查詢url，取url方便快速，基本不用查詢，但是隨著存儲的url越來越多，佔用內存會越來越大。

1
2
3
4
5如果是2億個url,那麼佔用內存將達18G，也不是特別方便，適合小型爬蟲。

3.url經過md5縮減到固定長度

1'''
2簡單計算：一個url經MD5轉換，變成一個128bit(位)的字符串，佔16byte(字節)，方法二中一個url保守
3估計佔50個字符 x 2 = 100byte(字節)，
4計算式： 這樣一比較，MD5的空間節省率為：（100-16）/100 = 84%（相比於方法二）
5(Scrapy框架url去重就是採用的類似方法)
6'''
7
8'''
9MD5概述
10設計者 : 羅納德·李維斯特
11首次發布 : 1992年4月
12系列 : MD, MD2, MD3, MD4, MD5
13編碼長度 : 128位
14結構 :　Merkle–Damgård construction
15    MD5消息摘要算法（英語：MD5 Message-Digest Algorithm），一種被廣泛使用的密碼散列函數，可
16以產生出一個128位（16位元組）的散列值（hash value），用於確保信息傳輸完整一致。MD5由美國密碼學家
17羅納德·李維斯特（Ronald Linn Rivest）設計，於1992年公開，用以取代MD4算法。這套算法的程序在 
18RFC 1321 中被加以規範。
19將數據（如一段文字）運算變為另一固定長度值，是散列算法的基礎原理。
20'''

MD5使用實例：

1
2import hashlib
3
4
5str01 = 'This is your md5 password!'
6
7md5_obj = hashlib.md5()
8
9
10md5_obj.update(str01.encode(encoding='utf-8'))
11
12print('XksA的原話為 ：' + str01)
13print('MD5加密後為 ：' + md5_obj.hexdigest())
14
15
16
17

4.用 bitmap方法,將訪問過的ur通過hash函數映射到某一位

1'''
2實現原理：通過hash函數，將每個url映射到一個hash位置中，一個hash位可以只佔用一個bit(位)大小，那
3麼相對於方法三：一個url佔128bit(位)，hash函數法的空間節省成百倍增長。
4計算式：這樣一比較，bitmap方法的空間節省率為：
5（128-1）/128= 99.2%(相比於方法三)
6（100 * 8 - 1）/（100*8）= 99.88%（相比於方法一）
7                       ##   (缺點：容易產生衝突)  ##
8'''
9
10'''
11hash函數：
12散列函數（英語：Hash function）又稱散列算法、哈希函數，是一種從任何一種數據中創建小的數字「指紋」
13的方法。散列函數把消息或數據壓縮成摘要，使得數據量變小，將數據的格式固定下來。該函數將數據打亂混
14合，重新創建一個叫做散列值（hash values，hash codes，hash sums，或hashes）的指紋。散列值通常
15用一個短的隨機字母和數字組成的字符串來代表。好的散列函數在輸入域中很少出現散列衝突。在散列表和數
16據處理中，不抑制衝突來區別數據，會使得資料庫記錄更難找到。
17'''

5.bloomfilter方法對 bitmap進行改進,多重hash函數降低衝突

1
2'''
3# 基本概述
4   如果想判斷一個元素是不是在一個集合裡，一般想到的是將集合中所有元素保存起來，然後通過比較確定。
5鍊表、樹、散列表（又叫哈希表，Hash table）等等數據結構都是這種思路。但是隨著集合中元素的增加，
6我們需要的存儲空間越來越大。同時檢索速度也越來越慢，上述三種結構的檢索時間複雜度分別為：
7                            O(n),O(log n),O(n/k)
8# 原理概述
9   布隆過濾器的原理是，當一個元素被加入集合時，通過K個散列函數將這個元素映射成一個位數組中的K個
10點，把它們置為1。檢索時，我們只要看看這些點是不是都是1就（大約）知道集合中有沒有它了：如果這些點
11有任何一個0，則被檢元素一定不在；如果都是1，則被檢元素很可能在。這就是布隆過濾器的基本思想。
12# 優缺點
13    布隆過濾器可以用於檢索一個元素是否在一個集合中。
14    優點是空間效率和查詢時間都遠遠超過一般的算法。
15    缺點是有一定的誤識別率和刪除困難。
16'''
17

Bloomfilter底層實現：

1
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                 h1=pyhash.murmur3_x64_128(), h2=pyhash.spooky_128()):
19        """
20        :param capacity: size of possible input elements
21        :param error_rate: posi
22        :param fname:
23        :param h1:
24        :param h2:
25        """
26        
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, h1=h1, h2=h2, 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

四、後言

    學完這一期，我覺得，是時候拿起高數書，線代書，概率論，離散數學…好好學習數學了，哈哈哈！

附贈：七夕快樂大家。

邊敲邊學邊做，堅持學習分享。