爬蟲去重策略

爬蟲去重策略：

1.將訪問過的url儲存到資料庫中

2.將訪問過的url儲存到set中，查詢方便，但是耗費記憶體

1億條url*2byte（位元組）*50個字元/1024(kb)/1024(mb)/1024=9g

3.經過md5（128bit=16byte）等方法雜湊後儲存到set中(scrapy就是用的類似這種方式)

4.用bitmap方法，將訪問過的url通過hash函式對映到某一位（容易將多個不同url放到同乙個位置）

5.bloomfilter方法對bitmap進行改進，多重hash函式降低衝突（分布式p爬蟲方式）

乙個位置1bit 一億個url=1億bit=1億/8 byte/1024kb/1024mb=11.92mb(理想狀態的占用記憶體，實際會大一點)

python爬蟲去重策略 爬蟲去重策略

1 使用scrapy自帶的set集合去重，當程式結束的時候會被清空，缺點 再次執行會導致資料重複。2 使用mysql做去重，對url位址進行md5，base64加密，加密之後會得到一串字元，判斷字串 是否在mysql表中，如果在表示已經爬取過了，如果不在，表示沒有爬取，執行請求，將加密後的url 3...

python爬蟲去重策略 爬蟲去重策略

下面我會從程式 資料庫等幾個層面詳細敘述一下相應的去重策略。程式層面，像十萬以下url的抓取可以簡單的用set來實現去重。如果是百萬或者千萬量級的話，考慮到效能，我們應該使用基於hash的set實現去重。知道了前面雜湊的知識，你肯定就懂這是為什麼了。雜湊使得我們並不需要對比超長的url以及param...

python爬蟲去重策略 爬蟲的去重策略

1.爬蟲時將爬取過的url存放到資料庫中，利用資料庫進行url的去重 每請求乙個url之前，都現在資料庫中查詢一下。方法最簡單，效率是最低的。2.將已經請求過的url儲存到set中，而set集合是在記憶體中建立的，訪問效率比資料庫的方式要快很多，只需要很簡單的乙個方法，就可以實現url的去重。缺點 ...