1)将访问过的URL存储在数据库中,每次要访问一个URL时,就从数据库中查询该URL是否已经被访问过,这种方法占用内存太大,而且每次访问一个URL
都需要到数据库中查询,效率十分低下。
3)URL通过MD5(可以将任意长度的字符缩减成固定长度,使占用内存进行压缩)等方法哈希后存储在set中,既能在O(1)时间内查询,又压缩了URL的存
储空间(scrapy使用的就是类似的方法)
4)使用bitmap方法,将访问过的URL通过hash函数映射到某一位上,这种方法可以大大压缩URL的存储空间,但是缺点是,会有很多的映射冲突,即多个
不同的URL映射到一个位上
5)使用bloomfilter方法对bitmap进行改进,多重哈希函数降低冲突,是对4)的改进,既能降低冲突,又能大大压缩内存
都需要到数据库中查询,效率十分低下。
2)将访问过的URL存储在set中,可以在O(1)的时间内查询到一个URL是否存在于set中,但是缺点是,占用内存大,比如有1亿条URL,占用的内存是:
1000000000*2byte*50字符/1024/1024/1024 = 9G(假设字符使用的是unicode编码,每一个字符占2字节,每一个URL有50个字符)3)URL通过MD5(可以将任意长度的字符缩减成固定长度,使占用内存进行压缩)等方法哈希后存储在set中,既能在O(1)时间内查询,又压缩了URL的存
储空间(scrapy使用的就是类似的方法)
4)使用bitmap方法,将访问过的URL通过hash函数映射到某一位上,这种方法可以大大压缩URL的存储空间,但是缺点是,会有很多的映射冲突,即多个
不同的URL映射到一个位上
5)使用bloomfilter方法对bitmap进行改进,多重哈希函数降低冲突,是对4)的改进,既能降低冲突,又能大大压缩内存