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，又產生冗餘資料。

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.將訪問過的ur儲存到資料庫中
# 2.將訪問過的ur儲存到set(集合)中,只需要o(1)的代價就可以查詢url
#       10000000*2byte*50個字元/1024/1024/1024=9G
 

# 3.url經過md5等方法雜湊後儲存到set中
# 4.用 bitmap方法,將訪問過的ur通過hash函式對映到某一位
# 5. bloomfilter方法對 bitmap進行改進,多重hash函式降低衝突

三、看程式碼，邊學邊敲邊記

1.將訪問過的ur儲存到資料庫中（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儲存到資料庫，為了避免重複，每次儲存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，則不儲存，否則，儲存當前url,繼續儲存下一條，直至結束。

2.將訪問過的ur儲存到set記憶體中

將訪問過的ur儲存到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，但是隨著儲存的url越來越多，佔用記憶體會越來越大。

# 簡單計算：假設有1億條url,每個url平均長度為50個字元，python裡unicode編碼，每個字元16位，佔2
# 個位元組（byte）
# 計算式：10^8 x 50個字元 x 2個byte / 1024 / 1024 / 1024 = 9G
#                                    B      M      G
如果是2億個url,那麼佔用記憶體將達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

'''
簡單計算：一個url經MD5轉換，變成一個128bit(位)的字串，佔16byte(位元組)，方法二中一個url保守估
計佔50個字元 x 2 = 100byte(位元組)，
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）
(Scrapy框架url去重就是採用的類似方法)
'''
 

# 維基百科看MD5演算法
'''
MD5概述
設計者 : 羅納德·李維斯特
首次釋出 : 1992年4月
系列 : MD, MD2, MD3, MD4, MD5
編碼長度 : 128位
結構 :　Merkle–Damgård construction
    MD5訊息摘要演算法（英語：MD5 Message-Digest Algorithm），一種被廣泛使用的密碼雜湊函式，可
以產生出一個128位（16位元組）的雜湊值（hash value），用於確保資訊傳輸完整一致。MD5由美國密碼學家
羅納德·李維斯特（Ronald Linn Rivest）設計，於1992年公開，用以取代MD4演算法。這套演算法的程式在 
RFC 1321 中被加以規範。
將資料（如一段文字）運算變為另一固定長度值，是雜湊演算法的基礎原理。
'''

MD5使用例項：

# 在python3中使用hashlib模組進行md5操作
import hashlib

# 待加密資訊
str01 = 'This is your md5 password!'
# 建立md5物件
md5_obj = hashlib.md5()
# 進行MD5加密前必須 encode(編碼)，python裡預設是unicode編碼，必須轉換成utf-8
# 否則報錯：TypeError: Unicode-objects must be encoded before hashing
md5_obj.update(str01.encode(encoding='utf-8'))

print('XksA的原話為 ：' + str01)
print('MD5加密後為 ：' + md5_obj.hexdigest())

# result　：
#       XksA的原話為 ：This is your md5 password!
#       MD5加密後為 ：0a5f76e7b0f352e47fed559f904c9159

4.用 bitmap方法,將訪問過的ur通過hash函式對映到某一位

'''
實現原理：通過hash函式，將每個url對映到一個hash位置中，一個hash位可以只佔用一個bit(位)大小，那
麼相對於方法三：一個url佔128bit(位)，hash函式法的空間節省成百倍增長。
計算式：這樣一比較，bitmap方法的空間節省率為：
（128-1）/128= 99.2%(相比於方法三)
（100 * 8 - 1）/（100*8）= 99.88%（相比於方法一）
                       ##   (缺點：容易產生衝突)  ##
'''
# 維基百科看Hash 函式
'''
hash函式：
雜湊函式（英語：Hash function）又稱雜湊演算法、雜湊函式，是一種從任何一種資料中建立小的數字“指紋”
的方法。雜湊函式把訊息或資料壓縮成摘要，使得資料量變小，將資料的格式固定下來。該函式將資料打亂混
合，重新建立一個叫做雜湊值（hash values，hash codes，hash sums，或hashes）的指紋。雜湊值通常
用一個短的隨機字母和數字組成的字串來代表。好的雜湊函式在輸入域中很少出現雜湊衝突。在散列表和數
據處理中，不抑制衝突來區別資料，會使得資料庫記錄更難找到。
'''

5.bloomfilter方法對 bitmap進行改進,多重hash函式降低衝突

# 維基百科看Bloomfilter
'''
# 基本概述
   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儲存起來，然後通過比較確定。
連結串列、樹、散列表（又叫雜湊表，Hash table）等等資料結構都是這種思路。但是隨著集合中元素的增加，
我們需要的儲存空間越來越大。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：
                            O(n),O(log n),O(n/k)
# 原理概述
   布隆過濾器的原理是，當一個元素被加入集合時，通過K個雜湊函式將這個元素對映成一個位數組中的K個
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
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。
# 優缺點
    布隆過濾器可以用於檢索一個元素是否在一個集合中。
    優點是空間效率和查詢時間都遠遠超過一般的演算法。
    缺點是有一定的誤識別率和刪除困難。
'''
# Bloomfilter介紹還可以看這裡：https://blog.csdn.net/preyta/article/details/72804148

Bloomfilter底層實現：

# 原始碼地址：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、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。
歡迎大家關注微信公眾號：極簡XksA,獲取Python/Java/前端等學習資源！