爬虫架构（一）：爬虫中的去重处理

一、概要

1. 去重应用场景以及基本原理
2. 基于信息摘要算法的去重
3. 基于 simhash 算法的去重
4. 布隆过滤器原理与实现

二、去重应用场景以及基本原理

2.1 爬虫中什么业务需要使用去重

1. 防止发出重复的请求
2. 防止存储重复的数据

2.2 去重实现的基本原理

根据给定的 判断依据 和给定的 去重容器，将原始数据逐一进行判断，判断去重容器中是否有该数据。如果没有那就把该数据对应的判断依据添加去重容器中，同时标记该数据是不重复数据；如果有就不添加，同时标记该数据是重复数据。

重点：

1. 判断依据（原始数据、原始数据特征值)
2. 去重容器（存储判断数据) set()

2.3 根据原始数据进行去重判断

2.4 根据原始数据的特征值进行去重判断

思考：为什么要用原始数据的特征值进行判断?

理解：1、节省存储空间 2、比对更加快捷高效

2.5 临时去重容器与持久化去重容器

临时去重容器：指如利用 list、set 等编程语言的数据结构存储去重数据，一旦程序关闭或重启后，去重容器中的数据就被回收了。使用与实现简单方便；但无法共享、无法持久化。
持久化去重容器指如利用 redis、mysql 等数据库存储去重数据。持久化、共享；但使用与实现相对复杂

2.6 常用几种特殊的原始数据特征值计算

1. 信息摘要 hash 算法(指纹)
2. SimHash 算法
3. 布隆过滤器方式

三、基于信息摘要算法的去重

3.1 信息摘要 hash 算法介绍

信息摘要 hash 算法指可以将任意长度的文本、字节数据，通过一个算法得到一个固定长度的文本。如 MD5(128位)、SHA1(160位) 等。

特征：只要源文本不同，计算得到的结果，必然不同(摘要)。 摘要：摘要算法主要用于比对信息源是否一致，因为只要源发生变化，得到的摘要必然不同；而且通常结果要比源短很多，所以称为 摘要。正因此，利用信息摘要算法能大大降低去重容器的存储空间使用率，并提高判断速度，直由于其强唯—性的特征，几乎不存在误判。

注意： hash 算法得出的结果其实本质上就是一串数值，如 md5 的128位指的是二进制的长度，十六进制的长度是32位。一个十六进制等于四个二进制。

3.2 信息摘要 hash 算法去重方案实现

基类的实现：

# 基于信息摘要算法进行数据的去重判断和存储

# 1. 基于内存的存储
# 2. 基于redis的存储
# 3. 基于mysql的存储

import hmac


class BaseFilter(object):
    '''基于信息摘要算法进行数据的去重判断和存储'''

    def __init__(self,
                 digest_mod="MD5",
                 redis_host="localhost",
                 redis_port=6379,
                 redis_db=0,
                 redis_key="filter",
                 mysql_url=None,
                 mysql_table_name="filter"):
        self.redis_host = redis_host
        self.redis_port = redis_port
        self.redis_db = redis_db
        self.redis_key = redis_key
        self.mysql_url = mysql_url
        self.mysql_table_name = mysql_table_name
        # self.key =
        self.digest_mod = digest_mod
        self.storage = self._get_storage()

    def _safe_data(self, data):
        '''
        :param data: 给定的原始数据
        :return: 二进制类型的字符串数据
        '''
        if isinstance(data, bytes):
            return data
        elif isinstance(data, str):
            return data.encode()
        else:
            raise Exception("please provide a string...")

    def _get_hash_value(self, data):
        '''
        根据给定的数据，返回的对应信息摘要hash值
        :param data: 给定的原始数据（二进制类型的字符串数据）
        :return: hash值
        '''
        data = self._safe_data(data)
        key = 'amoxiang666'.encode("utf8")
        hash_obj = hmac.new(key, data, digestmod=self.digest_mod)
        hash_value = hash_obj.hexdigest()
        return hash_value

    def save(self, data):
        '''
        根据data计算出对应的指纹进行存储
        :param data: 给定的原始数据
        :return: 存储的结果
        '''
        hash_value = self._get_hash_value(data)
        return self._save(hash_value)

    def _save(self, hash_value):
        '''
        存储对应的hash值（交给对应的子类去继承）
        :param hash_value: 通过信息摘要算法求出的hash值
        :return: 存储的结果
        '''
        pass

    def is_exists(self, data):
        '''
        判断给定的数据对应的指纹是否存在
        :param data: 给定的原始数据
        :return: True or False
        '''
        hash_value = self._get_hash_value(data)
        return self._is_exists(hash_value)

    def _is_exists(self, hash_value):
        '''
        判断对应的hash值是否已经存在（交给对应的子类去继承）
        :param hash_value: 通过信息摘要算法求出的hash值
        :return: 判断的结果（True or False）
        '''
        pass

    def _get_storage(self):
        '''
        返回对应的一个存储对象（交给对应的子类去继承）
        :return:
        '''
        pass


from .mysql_filter import MySQLFilter
from .memory_filter import MemoryFilter
from .redis_filter import RedisFilter

普通内存版本：

# 基于python中的 集合数据结构进行去重判断依据的存储
from . import BaseFilter


class MemoryFilter(BaseFilter):
    '''基于python中的 集合数据结构进行去重判断依据的存储'''

    def _get_storage(self):
        return set()

    def _save(self, hash_value):
        '''
        利用set进行存储
        :param hash_value:
        :return:
        '''
        return self.storage.add(hash_value)

    def _is_exists(self, hash_value):
        if hash_value in self.storage:
            return True
        return False

Redis 持久化版：

# 基于redis的持久化存储的去重判断依据的实现
import redis

from . import BaseFilter


class RedisFilter(BaseFilter):
    '''基于redis的持久化存储的去重判断依据的实现'''

    def _get_storage(self):
        '''返回一个redis连接对象'''
        pool = redis.ConnectionPool(host=self.redis_host, port=self.redis_port, db=self.redis_db)
        client = redis.StrictRedis(connection_pool=pool)
        return client

    def _save(self, hash_value):
        '''
        利用redis的无序集合进行存储
        :param hash_value:
        :return:
        '''
        return self.storage.sadd(self.redis_key, hash_value)

    def _is_exists(self, hash_value):
        '''判断redis对应的无序集合中是否有对应的判断依据'''
        return self.storage.sismember(self.redis_key, hash_value)

MySQL 持久化版本：

# 基于mysql的去重判断依据的存储

from sqlalchemy import create_engine, Column, Integer, String
from sqlalchemy.orm import sessionmaker
from sqlalchemy.ext.declarative import declarative_base

from . import BaseFilter

Base = declarative_base()


class MySQLFilter(BaseFilter):
    '''基于mysql的去重判断依据的存储'''

    def __init__(self, *args, **kwargs):
        self.table = type(
            kwargs["mysql_table_name"],
            (Base,),
            dict(
                __tablename__=kwargs["mysql_table_name"],
                id=Column(Integer, primary_key=True),
                hash_value=Column(String(40), index=True, unique=True)
            )
        )

        BaseFilter.__init__(self, *args, **kwargs)

    def _get_storage(self):
        '''返回一个mysql连接对象(sqlalchemy的数据库连接对象)'''
        engine = create_engine(self.mysql_url)
        Base.metadata.create_all(engine)  # 创建表、如果有就忽略
        Session = sessionmaker(engine)
        return Session

    def _save(self, hash_value):
        '''
        利用redis的无序集合进行存储
        :param hash_value:
        :return:
        '''
        session = self.storage()
        filter = self.table(hash_value=hash_value)
        session.add(filter)
        session.commit()
        session.close()

    def _is_exists(self, hash_value):
        '''判断redis对应的无序集合中是否有对应的判断依据'''
        session = self.storage()
        ret = session.query(self.table).filter_by(hash_value=hash_value).first()
        session.close()
        if ret is None:
            return False
        return True

测试：

# python3
from information_summary_filter import MemoryFilter
from information_summary_filter import RedisFilter
from information_summary_filter import MySQLFilter

# filter = MemoryFilter()
# filter = RedisFilter(redis_key="test1")
mysql_url = "mysql+pymysql://root:123456@127.0.0.1:3306/db_admin?charset=utf8"
filter = MySQLFilter(mysql_url=mysql_url, mysql_table_name="test20230319")

data = ["111", "qwe", '222', "333", "111", "qwe", "中文", "qwer"]

for d in data:
    if filter.is_exists(d):
        print("发现重复的数据: ", d)
    else:
        filter.save(d)
        print("保存去重的数据：", d)

3.3 基于 simhash 算法的去重

3.3.1 Simhash 介绍以及应用场景

Simhash 算法是一种局部敏感哈希算法，能实现 相似 文本内容的去重。比如下列两篇新闻数据：

3.3.2 Simhash 的特征

与信息摘要算法的区别：

1. 信息摘要算法：如果原始内容只相差一个字节，所产生的签名也很可能差别很大。
2. Simhash 算法：如果原始内容只相差一个字节，所产生的签名差别非常小。

Simhash 值比对：通过两者的 simhash 值的二进制位的差异来表示原始文本内容的差异。差异个数又被称为 海明距离。

注意：Simhash 对长文本 500字+ 比较适用，短文本可能偏差较大。在google的论文给出的数据中，64位simhash值，在海明距离为3的情况下，可认为两篇文档是相似的或者是重复的。当然这个值只是参考值，针对自己的应用可能有不同的测试取值。

3.3.3 Simhash 值得比对

Python 实现的 simhash 算法。该模块得出的 simhash 值长度正是64位。https://github.com/leonsim/simhash

如对比前面列出的人民网和中国网的两篇相似新闻(以下值仅供参考)。128位MD5值：

64位simhash值：

3.3.4 示例代码

import re
from simhash import Simhash, SimhashIndex


def get_features(s):
    width = 3
    s = s.lower()
    s = re.sub(r'[^\w]+', '', s)
    return [s[i:i + width] for i in range(max(len(s) - width + 1, 1))]


data = {
    "key1": u'How are you? I Am fine. blar blar blar blar blar Thanks.',
    "key2": u'How are you i am fine. blar blar blar blar blar than',
    "key3": u'This is simhash test.',
    "4": u'How are you i am fine. blar blar blar blar blar thank'
}
objs = [
    (str(k), Simhash(get_features(v))) for k, v in data.items()
]
print(objs)
index = SimhashIndex(objs, k=4)  # k相当于海明距离

print(index.bucket_size())  # 11

s1 = Simhash(get_features(u'How are you i am fine. blar blar blar blar blar thank'))
print(index.get_near_dups(s1))  # ['1']

index.add('4', s1)
print(index.get_near_dups(s1))  # ['4', '1']

# 二进制位的比对     只能在内存中进行
# 序列化工具：  将一个对象转换为二进制的一个数据
# 反序列化：二进制--> 对象

四、布隆过滤器原理与实现

4.1 布隆过滤器 (bloomfilter) 原理

4.2 布隆过滤器实现

Python 实现的内存版布隆过滤器 pybloom，参考地址：https://github.com/jaybaird/python-bloomfilter

手动实现的 redis 版布隆过滤器，示例代码如下：

# -*- coding: utf-8 -*-
# @Time    : 2023-03-23 23:28
# @Author  : AmoXiang
# @File    : test.py
# @Software: PyCharm
# @Blog    : https://blog.csdn.net/xw1680

# 布隆过滤器 redis版本实现
import hashlib

import redis
import six


# 1. 多个hash函数的实现和求值
# 2. hash表实现和实现对应的映射和判断


class MultipleHash(object):
    '''根据提供的原始数据，和预定义的多个salt，生成多个hash函数值'''

    def __init__(self, salts, hash_func_name="md5"):
        self.hash_func = getattr(hashlib, hash_func_name)
        if len(salts) < 3:
            raise Exception("please give three salt at least....")
        self.salts = salts

    def get_hash_values(self, data):
        '''根据提供的原始数据, 返回多个hash函数值'''
        hash_values = []
        for i in self.salts:
            hash_obj = self.hash_func()
            hash_obj.update(self._safe_data(data))
            hash_obj.update(self._safe_data(i))
            ret = hash_obj.hexdigest()
            hash_values.append(int(ret, 16))
        return hash_values

    def _safe_data(self, data):
        '''
        :param data: 给定的原始数据
        :return: 二进制类型的字符串数据
        '''
        if isinstance(data, bytes):
            return data
        elif isinstance(data, str):
            return data.encode()
        else:
            raise Exception("please give string....")  # 建议使用英文来描述


class BloomFilter(object):
    def __init__(self, salts, redis_host="localhost", redis_port=6379, redis_db=0, redis_key="bloomfilter"):
        self.redis_host = redis_host
        self.redis_port = redis_port
        self.redis_db = redis_db
        self.redis_key = redis_key
        self.client = self._get_redis_client()
        self.multiple_hash = MultipleHash(salts)

    def _get_redis_client(self):
        '''返回一个redis连接对象'''
        pool = redis.ConnectionPool(host=self.redis_host, port=self.redis_port, db=self.redis_db)
        client = redis.StrictRedis(connection_pool=pool)
        return client

    def save(self, data):
        ''''''
        hash_values = self.multiple_hash.get_hash_values(data)
        for hash_value in hash_values:
            offset = self._get_offset(hash_value)
            self.client.setbit(self.redis_key, offset, 1)
        return True

    def is_exists(self, data):
        hash_values = self.multiple_hash.get_hash_values(data)
        for hash_value in hash_values:
            offset = self._get_offset(hash_value)
            v = self.client.getbit(self.redis_key, offset)
            if v == 0:
                return False
        return True

    def _get_offset(self, hash_value):
        # 2**8 = 256
        # 2**20 = 1024 * 1024
        # (2**8 * 2**20 * 2*3) 代表hash表的长度  如果同一项目中不能更改
        return hash_value % (2 ** 8 * 2 ** 20 * 2 * 3)


if __name__ == '__main__':

    data = ["asdfasdf", "123", "123", "456", "asf", "asf"]

    bm = BloomFilter(salts=["1", "2", "3", "4"], redis_host="172.17.0.2")
    for d in data:
        if not bm.is_exists(d):
            bm.save(d)
            print("映射数据成功： ", d)
        else:
            print("发现重复数据：", d)