之前使用内存数据结构(队列或者链表)来实现爬虫队列,但是在一些大型的搜索引擎中有十几亿的URL需要抓取。因此,内存数据结构并不适用于这些应用,最适合的一种方法是使用内存数据库,或者直接使用数据库来存储这些URL。本节讲的是一种非常流行的内存数据库——Berkeley DB。
爬虫队列的特点
- 能够存储海量数据,当数据超出内存限制的时候,能够固化在硬盘上
- 存取数据速度非常快
- 能够支持多线程访问
综上,Hash表成为存储结构的不二选择。通常在进行Hash存储的时候Key值都是url字符串,但是为了更加节省空间,通常会对URL进行压缩。常用的压缩方法是MD5压缩算法【MD5算法介绍】。
MD5算法的简单例子
public class MD5 {
public static String getMD5(byte[] source) {
String s = null;
//将字节转换成十六进制表示的字符
char hexDigits[] = {
'0', '1', '2', '3', '4', '5', '6', '7', '8', '9',
'a', 'b', 'c', 'd', 'e', 'f'};
try {
java.security.MessageDigest md =
java.security.MessageDigest.getInstance("MD5");
md.update(source);
//MD5的计算结果是一个128位的长整数,用字节表示就是16个字节
byte temp[] = md.digest();
//每个字节用十六进制表示的话,使用两个字符,所以表示成十六进制需要32个字符
char str[] = new char[16 * 2];
//k 表示转换结果中对应的字符的位置
int k = 0;
//从第一个字节开始,将MD5的每一个字节转换成十六进制字符
for (int i = 0; i < 16; i++) {
//取出第i个字节
byte byte0 = temp[i];
//取字节中高4位的数字转换,>>>逻辑右移,符号位跟随移动
str[k++] = hexDigits[byte0 >>> 4 & 0xf];
//取字节中的低4位的柱子转换
str[k++] = hexDigits[byte0 & 0xf];
}
s = new String(str);
} catch (NoSuchAlgorithmException e) {
e.printStackTrace();
}
return s;
}
}
测试代码:
public class Main {
public static void main(String[] args) {
MD5 md =new MD5();
String source="www.baidu.com";
byte byt[]=source.getBytes();
String result=md.getMD5(byt);
System.out.println(result);
}
}
输出结果
网页上免费的MD5散列数计算器 输入字符串“www.baidu.com”之后的结果
使用Berkeley DB构建爬虫队列
Hash存储的Value值通常会对URL和相关的信息进行封装,封装成为一个对象进行存储。
我们需要选择一个线程安全、使用Hash存储,并且能够应对海量数据的内存数据库是存储URL最合适的数据结构。
Berkeley DB简介
Berkeley DB是一个嵌入式数据库,他适合于管理海量的、简单的数据。Berkeley DB不能取代关系型数据库,但在某一些方面,他却令关系型数据库望尘莫及。
Key/Value(关键字/值)是Berkeley DB用来进行数据库管理的基础。每个Key/Value对(键值对)构成一条记录。而整个数据库实际上就是由许多这样的结构单元所构成的。通过这种方式,开发人员在使用Berkeley DB提供的API访问数据库时,只需提供关键字就能够访问到相应的数据。当然也可以提供key和部分Data来查询符合条件的相近数据。
Berkeley DB底层实现采用B树ÿ