URL去重
我们在写爬虫时为什么需要进行URL去重?
- 在爬虫启动工作的过程中,我们不希望同一个url地址被多次请求,因为重复请求不仅会浪费CPU,还会降低爬虫的效率,加大对方服务器的压力。而想要控制这种重复请求的问题,就要考虑请求所依据的url,只要能够控制待下载的URL不重复,基本可以解决同一个网页重复请求的问题。
- 对于已经抓取过的url,进行持久化,并且在启动的时候加载进入去重队列,是一个比较强的需求。 它主要应对爬虫故障重跑,不需要重新请求所有链接
URL去重及策略简介
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.将访问过的ur保存到数据库中
# 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
# 10000000*2byte*50个字符/1024/1024/1024=9G
# 3.url经过md5等方法哈希后保存到set(或者Redis中)中
# 4. bloomfilter方法对 bitmap进行改进,多重hash函数降低冲突
方式一:将访问过的ur保存到数据库中
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当前url是否存在(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。
方式二:将访问过的ur保存到set内存中
实现简单,原理和方式一类似,使用这种方式存取方便,基本不用查询,但是如果url过多,则会占用极大的内存,浪费空间。
# 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
# 个字节(byte)
# 计算式:10^8 x 50个字符 x 2个byte / 1024 / 1024 / 1024 = 9G
# B M G
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。