Python爬虫怎么实现url去重
这篇文章主要介绍“Python爬虫怎么实现url去重”,在日常操作中,相信很多人在Python爬虫怎么实现url去重问题上存在疑惑,小编查阅了各式资料,整理出简单好用的操作方法,希望对大家解答”Python爬虫怎么实现url去重”的疑惑有所帮助!接下来,请跟着小编一起来学习吧!
成都创新互联是一家专注于成都网站设计、网站建设与策划设计,邓州网站建设哪家好?成都创新互联做网站,专注于网站建设10年,网设计领域的专业建站公司;建站业务涵盖:邓州等地区。邓州做网站价格咨询:18982081108
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
到此,关于“Python爬虫怎么实现url去重”的学习就结束了,希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习,快去试试吧!若想继续学习更多相关知识,请继续关注创新互联网站,小编会继续努力为大家带来更多实用的文章!
文章名称:Python爬虫怎么实现url去重
文章转载:http://ybzwz.com/article/jsiosd.html