《自己动手写网络爬虫》笔记5-设计爬虫对列

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