爬蟲去重策略

1）

使用scrapy自帶的set集合去重，當程序結束的時候會被清空，缺點：再次運行會致使數據重複。

 

2）

使用mysql作去重，對url地址進行md5，base64加密，加密以後會獲得一串字符，判斷字符串

是否在mysql表中，若是在表示已經爬取過了，若是不在，表示沒有爬取，執行請求，將加密後的url

地址存入表中。缺點： 可是這個方法對mysql壓力過大，致使崩潰，不推薦

 

3）

使用scrapy_redis的去重策略,會將已經爬取的url地址通過編碼後存入redis,而且會作數據持久化,當爬蟲再次啓動時,會從新加載本地的數據,對爬蟲的url作去重。缺點：若是數據量較大的時候，會佔用較多的內存空間

4）

使用布隆去重,採用多重哈希,將url地址映射到位陣列中的某個點上,空間和時間利用率更高(推薦)

若是想判斷一個元素是否是在一個集合裏，通常想到的是將全部元素保存起來，而後經過比較肯定。鏈表，樹等等數據結構都是這種思路. 可是隨着集合中元素的增長，咱們須要的存儲空間愈來愈大，檢索速度也愈來愈慢。不過世界上還有一種叫做散列表（又叫哈希表，Hash table）的數據結構。它能夠經過一個Hash函數將一個元素映射成一個位陣列（Bit Array）中的一個點。這樣一來，咱們只要看看這個點是否是 1 就知道能夠集合中有沒有它了。這就是布隆過濾器的基本思想。
Hash面臨的問題就是衝突。假設 Hash 函數是良好的，若是咱們的位陣列長度爲 m 個點，那麼若是咱們想將衝突率下降到例如 1%, 這個散列表就只能容納 m/100 個元素。顯然這就不叫空間有效了（Space-efficient）。解決方法也簡單，就是使用多個 Hash，若是它們有一個說元素不在集合中，那確定就不在。若是它們都說在，雖然也有必定可能性它們在說謊，不過直覺上判斷這種事情的機率是比較低的。

布隆去重的優勢和缺點

優勢

相比於其它的數據結構，布隆過濾器在空間和時間方面都有巨大的優點。布隆過濾器存儲空間和插入/查詢時間都是常數。另外, Hash 函數相互之間沒有關係，方便由硬件並行實現。布隆過濾器不須要存儲元素自己，在某些對保密要求很是嚴格的場合有優點

缺點

可是布隆過濾器的缺點和優勢同樣明顯。誤算率（False Positive）是其中之一。隨着存入的元素數量增長，誤算率隨之增長。可是若是元素數量太少，則使用散列表足矣。--------------------- 做者：一篇藍天 來源：CSDN 原文：https://blog.csdn.net/qq_41676216/article/details/80830036 版權聲明：本文爲博主原創文章，轉載請附上博文連接！