【爬虫】 使用mongodb做去重集合

背景：最初是用redis数据库中的set来做去重集合的，但是因为url的量级在亿以上，redis内存飙升到了22G，服务器无法承受。于是将集合都搬到了mongodb中

解决方法：

1. 通过脚本对redis中的集合进行迁移，

    <1  对url进行哈希，缩短长度，节省空间。

    <2  在插入数据到mongo的时候， 要写好索引 (为了加快遍历速度，因为每访问一次url, 就需要遍历一遍去重表来比对)

     

        url_hash = computeMD5hash(self.main_url)
        obj = {"urlhash": url_hash}
        is_exist = self.fingure.find_one(obj)
        if not is_exist:
            self.fingure.create_index("urlhash")
            self.reddb.lpush(self.queue, self.main_url)
            #self.reddb.sadd(self.fingure, self.main_url)
            self.fingure.insert_one(obj)

  第一行 就是一个 hash加密方法， 可以自己写。   比较重要的就是create_index方法，用来建立索引

2. 限制mongo的内存，这也是我们的初衷。具体方法:  https://www.cnblogs.com/luo-mao/p/5872388.html

 

大家有需要或者有啥不懂的，可以留言。。。  写来基本是都是给以后都自己看的，。所以写的比较马虎。