第三百五十八節(jié)，Python分布式爬蟲打造搜索引擎Scrapy精講—將bloomfilter(布隆過濾器)集成到scrapy-redis中，判斷URL是否重復(fù)

布隆過濾器(Bloom Filter)詳解

基本概念

如果想判斷一個(gè)元素是不是在一個(gè)集合里，一般想到的是將所有元素保存起來，然后通過比較確定。鏈表，樹等等數(shù)據(jù)結(jié)構(gòu)都是這種思路. 但是隨著集合中元素的增加，我們需要的存儲(chǔ)空間越來越大，檢索速度也越來越慢。不過世界上還有一種叫作散列表（又叫哈希表，Hash table）的數(shù)據(jù)結(jié)構(gòu)。它可以通過一個(gè)Hash函數(shù)將一個(gè)元素映射成一個(gè)位陣列（Bit Array）中的一個(gè)點(diǎn)。這樣一來，我們只要看看這個(gè)點(diǎn)是不是 1 就知道可以集合中有沒有它了。這就是布隆過濾器的基本思想。

Hash面臨的問題就是沖突。假設(shè) Hash 函數(shù)是良好的，如果我們的位陣列長(zhǎng)度為 m 個(gè)點(diǎn)，那么如果我們想將沖突率降低到例如 1%, 這個(gè)散列表就只能容納 m/100 個(gè)元素。顯然這就不叫空間有效了（Space-efficient）。解決方法也簡(jiǎn)單，就是使用多個(gè) Hash，如果它們有一個(gè)說元素不在集合中，那肯定就不在。如果它們都說在，雖然也有一定可能性它們?cè)谡f謊，不過直覺上判斷這種事情的概率是比較低的。

優(yōu)點(diǎn)

相比于其它的數(shù)據(jù)結(jié)構(gòu)，布隆過濾器在空間和時(shí)間方面都有巨大的優(yōu)勢(shì)。布隆過濾器存儲(chǔ)空間和插入/查詢時(shí)間都是常數(shù)。另外, Hash 函數(shù)相互之間沒有關(guān)系，方便由硬件并行實(shí)現(xiàn)。布隆過濾器不需要存儲(chǔ)元素本身，在某些對(duì)保密要求非常嚴(yán)格的場(chǎng)合有優(yōu)勢(shì)。

布隆過濾器可以表示全集，其它任何數(shù)據(jù)結(jié)構(gòu)都不能；

k 和 m 相同，使用同一組 Hash 函數(shù)的兩個(gè)布隆過濾器的交并差運(yùn)算可以使用位操作進(jìn)行。

缺點(diǎn)

但是布隆過濾器的缺點(diǎn)和優(yōu)點(diǎn)一樣明顯。誤算率（False Positive）是其中之一。隨著存入的元素?cái)?shù)量增加，誤算率隨之增加。但是如果元素?cái)?shù)量太少，則使用散列表足矣。

另外，一般情況下不能從布隆過濾器中刪除元素. 我們很容易想到把位列陣變成整數(shù)數(shù)組，每插入一個(gè)元素相應(yīng)的計(jì)數(shù)器加1, 這樣刪除元素時(shí)將計(jì)數(shù)器減掉就可以了。然而要保證安全的刪除元素并非如此簡(jiǎn)單。首先我們必須保證刪除的元素的確在布隆過濾器里面. 這一點(diǎn)單憑這個(gè)過濾器是無(wú)法保證的。另外計(jì)數(shù)器回繞也會(huì)造成問題。

python 基于redis實(shí)現(xiàn)的bloomfilter(布隆過濾器)，BloomFilter_imooc

BloomFilter_imooc下載

下載地址：https://github.com/liyaopinner/BloomFilter_imooc

依賴關(guān)系：　

　　python 基于redis實(shí)現(xiàn)的bloomfilter

　　依賴mmh3

　　安裝依賴包：

　　pip install mmh3

1、安裝好BloomFilter_imooc所需要的依賴

2、將下載的BloomFilter_imooc包解壓后，將里面的py_bloomfilter.py文件復(fù)制到scrapy工程目錄

py_bloomfilter.py(布隆過濾器)源碼

import mmh3

import redis

import math

import time

class PyBloomFilter():

? ? #內(nèi)置100個(gè)隨機(jī)種子SEEDS = [543, 460, 171, 876, 796, 607, 650, 81, 837, 545, 591, 946, 846, 521, 913, 636, 878, 735, 414, 372,

? ? ? ? ? ? 344, 324, 223, 180, 327, 891, 798, 933, 493, 293, 836, 10, 6, 544, 924, 849, 438, 41, 862, 648, 338,

? ? ? ? ? ? 465, 562, 693, 979, 52, 763, 103, 387, 374, 349, 94, 384, 680, 574, 480, 307, 580, 71, 535, 300, 53,

? ? ? ? ? ? 481, 519, 644, 219, 686, 236, 424, 326, 244, 212, 909, 202, 951, 56, 812, 901, 926, 250, 507, 739, 371,

? ? ? ? ? ? 63, 584, 154, 7, 284, 617, 332, 472, 140, 605, 262, 355, 526, 647, 923, 199, 518]

#capacity是預(yù)先估計(jì)要去重的數(shù)量

#error_rate表示錯(cuò)誤率

#conn表示redis的連接客戶端

#key表示在redis中的鍵的名字前綴

def__init__(self, capacity=1000000000, error_rate=0.00000001, conn=None, key='BloomFilter'):

? ? ? ? self.m = math.ceil(capacity*math.log2(math.e)*math.log2(1/error_rate))? #需要的總bi位數(shù)????

????????self.k = math.ceil(math.log1p(2)*self.m/capacity)? ? #需要最少的hash次數(shù)

????????self.mem = math.ceil(self.m/8/1024/1024)? ? ? ? ?#需要的多少M(fèi)內(nèi)存

????????self.blocknum = math.ceil(self.mem/512)? ? ? ? ? ? ?#需要多少個(gè)512M的內(nèi)存塊,value的第一個(gè)字符必須是ascii碼，所有最多有256個(gè)內(nèi)存塊

????????self.seeds = self.SEEDS[0:self.k]

? ? ? ? self.key = key

? ? ? ? self.N = 2**31-1? ? ? ??

????????self.redis = conn

? ? ? ? # print(self.mem)

????????# print(self.k)def add(self, value):

? ? ? ? name = self.key +"_"+ str(ord(value[0])%self.blocknum)

? ? ? ? hashs = self.get_hashs(value)

? ? ? ? for hash in hashs:

? ? ? ? ? ? self.redis.setbit(name, hash, 1)

? ? def is_exist(self, value):

? ? ? ? name = self.key +"_"+ str(ord(value[0])%self.blocknum)

? ? ? ? hashs = self.get_hashs(value)

? ? ? ? exist = True

? ? ? ? for hash in hashs:

? ? ? ? ? ? exist = exist & self.redis.getbit(name, hash)

? ? ? ? return exist

? ? def get_hashs(self, value):

? ? ? ? hashs = list()

? ? ? ? for seed in self.seeds:

? ? ? ? ? ? hash = mmh3.hash(value, seed)

? ? ? ? ? ? if hash >= 0:

? ? ? ? ? ? ? ? hashs.append(hash)

? ? ? ? ? ? else:

? ? ? ? ? ? ? ? hashs.append(self.N - hash)

? ? ? ? return hashs

pool = redis.ConnectionPool(host='127.0.0.1', port=6379, db=0)

conn = redis.StrictRedis(connection_pool=pool)? ??

將py_bloomfilter.py(布隆過濾器)集成到scrapy-redis中的dupefilter.py去重器中，使其抓取過的URL不添加到下載器，沒抓取過的URL添加到下載器

scrapy-redis中的dupefilter.py去重器修改

爬蟲文件

啟動(dòng)爬蟲scrapy crawl jobbole

cd 到redis安裝目錄執(zhí)行命令：redis-cli -h 127.0.0.1 -p 6379連接redis客戶端

連接redis客戶端后執(zhí)行命令：lpush jobbole:start_urls http://www.luyin.org向redis添加一個(gè)爬蟲起始url

開始爬取

redis狀態(tài)說明：