【案例实战】爬虫URL去重实战-SpringBoot2.x+Guava布隆过滤器

1.爬虫URL去重实战-SpringBoot2.x+Guava布隆过滤器
  • 创建项目

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-9qKNqpNz-1677911155237)(images/1.jpg)]

  • 加入maven依赖
	<dependency>
      <groupId>org.springframework.boot</groupId>
      <artifactId>spring-boot-starter-web</artifactId>
    </dependency>

    <dependency>
      <groupId>org.springframework.boot</groupId>
      <artifactId>spring-boot-starter-test</artifactId>
      <scope>test</scope>
    </dependency>


    <dependency>
      <groupId>org.apache.commons</groupId>
      <artifactId>commons-lang3</artifactId>
      <version>3.12.0</version>
    </dependency>

    <dependency>
      <groupId>com.google.guava</groupId>
      <artifactId>guava</artifactId>
      <version>31.1-jre</version>
    </dependency>
  • 数据准备 (随机生成500万URL)
	@Test
    public void testGeneUrl() {
        try{
            //注意这块写上 自己电脑的 路径
            File file = new File("D:\\ideaworkspace\\bloomfilter-test\\src\\main\\resources");
            if (!file.exists()) {
                file.createNewFile();
            }
            FileOutputStream fos = new FileOutputStream(file, true);
            OutputStreamWriter osw = new OutputStreamWriter(fos);
            BufferedWriter bw = new BufferedWriter(osw);
            StringBuilder builder = new StringBuilder();
            for (int i = 0; i < 5000000; i++) {
                String name = RandomStringUtils.randomAlphabetic(5);
                String fileName = "https://www." + name + ".com" + i + "\n";
                builder.append(fileName);
            }
            bw.write(String.valueOf(builder));
            bw.newLine();
            bw.flush();
            bw.close();
            osw.close();
            fos.close();
        } catch (FileNotFoundException e1) {
            e1.printStackTrace();
        } catch (IOException e2) {
            e2.printStackTrace();
        }
    }

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-6ktJIpPq-1677911155238)(images/2.jpg)]

  • Guava包布隆过滤器介绍
//参数一: 指定布隆过滤器中存的是什么类型的数据,有 IntegerFunnel,LongFunnel,StringCharsetFunnel
//参数二: 预期需要存储的数据量
//参数三: 误判率,默认是 0.03
BloomFilter.create(Funnels.stringFunnel(Charset.forName("UTF-8")), 5000000, 0.01);
  • @Bean的方式将文件的内容注入到BloomFilter中
	/**
     * 将文件内容读入到布隆过滤器中
     * @return
     * @throws IOException
     */
    @Bean
    public BloomFilter bloomFilter() throws IOException{
        BloomFilter bloomFilter = BloomFilter.create(Funnels.stringFunnel(Charset.forName("UTF-8")),5000000,0.01);
        FileInputStream fileInputStream = new FileInputStream(new File("D:\\ideaworkspace\\bloomfilter-test\\src\\main\\resources\\url.txt"));
        InputStreamReader inputStreamReader = new InputStreamReader(fileInputStream);
        BufferedReader bufferedReader = new BufferedReader(inputStreamReader);
        String line;
        while(true){
            line = bufferedReader.readLine();
            if(line !=null){
                bloomFilter.put(line);
            }else{
                break;
            }
        }
        inputStreamReader.close();
        return bloomFilter;
    }
  • 测试Controller
@RestController
@RequestMapping("/api")
public class BloomFilterController {

    @Autowired
    private BloomFilter bloomFilter;

    @RequestMapping("/bloomFilter")
    public boolean bloomFilter(){
        String url = "https://www.TpxVs.com10";
        boolean flag = false;
        //判断是否包含这个内容
        if (bloomFilter.mightContain(url)) flag = true;
        return flag;
    }
}

在这里插入图片描述

在这里插入图片描述

  • 如果使用Set集合的话当数据量很大的情况下,会报堆内存溢出的报错。
  • 9
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
Guava布隆过滤器是一种基于布隆过滤器算法的数据结构,用于高效地判断一个元素是否存在于一个大规模数据集中。它的主要特点是能够快速判断一个元素是否可能存在于集合中,同时能够有效地减少对底层存储的占用空间。 布隆过滤器采用位数组和多个哈希函数的组合方式来实现。当一个元素被插入到布隆过滤器中时,通过多个哈希函数对元素进行计算得到多个哈希值,并将对应的位数组位置标记为1。当判断一个元素是否存在时,同样通过多个哈希函数计算得到多个哈希值,然后检查对应的位数组位置是否都为1,若有一个位置不为1,则认为元素不存在。 Guava布隆过滤器提供了判断元素是否存在的方法以及其他一些相关的操作方法。它不支持删除元素,因为删除一个元素可能会影响到其他元素的判断结果。 Guava布隆过滤器在许多场景下都能发挥重要作用。它可以用于解决去重问题,例如在网络爬虫中过滤已经爬取过的URL,或者在大规模数据集中判断某个元素是否已存在。它也可以用于缓存或数据库查询等场景,用于快速判断某个数据是否可能存在,从而减轻对后端资源的压力。 然而,需要注意的是,Guava布隆过滤器在判断元素存在时可能会出现误判的情况。由于多个元素可能会映射到相同的位数组位置,且存在被多个元素标记为1的情况,因此在判断一个元素是否存在时,不能完全排除误判的可能性。 总而言之,Guava布隆过滤器是一种高效的数据结构,能够用于判断一个元素是否存在于一个大规模数据集中。它在去重、缓存等需求下发挥重要作用,但需要注意误判的可能性。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

互联网小阿祥

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值