利用Redis进行数据去重

前言

之前有篇文章提到了实现增量爬虫可以利用redis数据库进行url去重，今天博主就给大家分享一下python如何利用redis进行去重吧。在试验中，我们用到Redis数据库和hash算法，我们先了解一下Redis和hashlib。

Redis简介

Redis 是完全开源免费的，遵守BSD协议，是一个高性能的key-value数据库。

Redis 优势

• 读写速度极快，Redis能读的速度是110000次/s,写的速度是81000次/s 。
• 支持多种数据结构：string（字符串）；list（列表）；hash（哈希），set（集合）；zset(有序集合)。
• Redis可以将内存中的数据利用快照和日志的形式保存到硬盘上，这样发生类似断电或者机器故障的时候，内存中的数据不会丢失。
• 丰富的特性 – Redis还支持 publish/subscribe, 通知, key 过期等等特性。

hashlib简介

hash是一种算法，不同的hash算法只是复杂度不一样， hashlib中提供了SHA1, SHA224, SHA256, SHA384, SHA512 ，MD5 算法，这些算法接受传入的内容，经过运算得到一串hash值

hashlib特点

• 传入的内容一样，得到的hash值必然一样。
• 不能由hash值返解成内容。
• 只要使用的hash算法不变，无论校验的内容有多大，得到的hash值长度是固定的，可以节省内存。
  以上就是对redis和hashlib的说明了，下面我们进行一些简单的试验，让大家能有更加深刻的了解。

程序分模块讲解

导入模块

import redis
import hashlib

创建Redis类

连接Redis数据库需要提供主机号和端口号，不需要密码，同时需要指定连接的数据库号（redis中默认存在0-15号数据库），这里我们使用集合存储数据
host处需要大家提供主机号。

class Redis():
    def __init__(self):
        self.con = redis.Redis(
            host='', #ip地址
            port=6379, #端口号，默认为6379
            db=15,
            decode_responses=True #设置为True存的数据格式就是str类型
        )
    def add(self,key,data):
        if self.exit(key,data):
            print("该数据已存在！")
        else:
            self.con.sadd(key,data) #添加
            print("添加成功")
    def query(self,key):
        return self.con.smembers(key)  #拿出key对应所有值
    def delete(self,key):
        self.con.delete(key) #删除key键
    def exit(self,key,data):
        return self.con.sismember(key, data)  # 判断key里是否有data，有则返回true

创建hashlib类

class Hashencode():
    def __init__(self):
        self.encode_machine = hashlib.md5()  # 创建一个md5对象
    def encode(self,url):
        self.encode_machine.update(url.encode()) #更新
        url_encode = self.encode_machine.hexdigest() #拿到编码后的十六进制数据
        return url_encode

有了以上两个类的基础，我们进行试验。

去重试验

实例化Redis和Hashlib对象

en = Hashencode()
re = Redis()

我们要试验url的去重

url = "https://www.baidu.com/s?wd=keras%E5%AE%9E%E6%88%98&pn=10&oq=keras" \
      "%E5%AE%9E%E6%88%98&ie=utf-8&rsv_pq=93a257f40023c669&rsv_" \
      "t=bad6XI9Ya3l%2FJJCLby9vpq3gjNg%2" \
      "FKPN9VTtXPhQTKdc1wdL%2FgQ4xNHxY5YU&rsv_page=1"

第一次存取

encode = en.encode(url)
re.add("urls",encode)
for i in re.query("urls"):
	print(i)
"""
结果：
添加成功！
5d53585df507174ae1f1c3b39d272f52
"""

第二次存取

re.add("urls",encode)
for i in re.query("urls"):
    print(i)
"""
结果：
该数据已存在！
5d53585df507174ae1f1c3b39d272f52
"""

我们可以看到确实实现了去重效果。
以上就是博主今天和大家分享的内容了，希望大家能够将Redis和Hashlib作为一大利器使用，同时希望这篇文章能给大家带来一定的收获，祝大家学习进步！