布隆去重

去重策略

1）

使用scrapy自带的set集合去重，当程序结束的时候会被清空，缺点：再次运行会导致数据重复。

2）

使用mysql做去重，对url地址进行md5，base64加密，加密之后会得到一串字符，判断字符串

是否在mysql表中，如果在表示已经爬取过了，如果不在，表示没有爬取，执行请求，将加密后的url

地址存入表中。缺点： 但是这个方法对mysql压力过大，导致崩溃，不推荐

3）

使用scrapy_redis的去重策略,会将已经爬取的url地址经过编码后存入redis,并且会做数据持久化,当爬虫再次启动时,会重新加载本地的数据,对爬虫的url做去重。缺点：如果数据量较大的时候，会占用较多的内存空间

4）

使用布隆去重,采用多重哈希,将url地址映射到位阵列中的某个点上,空间和时间利用率更高(推荐)

布隆去重的优点和缺点

优点

相比于其它的数据结构，布隆过滤器在空间和时间方面都有巨大的优势。布隆过滤器存储空间和插入/查询时间都是常数。另外, Hash 函数相互之间没有关系，方便由硬件并行实现。布隆过滤器不需要存储元素本身，在某些对保密要求非常严格的场合有优势

缺点

但是布隆过滤器的缺点和优点一样明显。误算率（False Positive）是其中之一。随着存入的元素数量增加，误算率随之增加。但是如果元素数量太少，则使用散列表足矣。

课件3.26

打开项目，把scrapy_redis从环境文件中拷贝一份粘贴到scrapy项目中，这样做的目的是为这个项目单独配置去重方案

而环境中的scrapy_redis却不会变，其他项目不用使用布隆去重方案。

下载 布隆过滤器py文件，将其拷贝至scrapy_redis包中。（这个py文件有很多大牛都有写，课件也有和这个稍有不同原理相同）

修改scrapy_reids中的dupefilter文件，修改其去重策略。

from .BloomfilterOnRedis import BloomFilter

修改其 request_seen函数

if self.bf.isContains(fp):

    return True

else:

    self.bf.insert(fp)

    return False

按照分布式爬虫部署步骤，继续进行即可使用布隆去重策略