網(wǎng)絡爬蟲過程中5種網(wǎng)頁去重方法簡要介紹

一般的，我們想抓取一個網(wǎng)站所有的URL，首先通過起始URL，之后通過網(wǎng)絡爬蟲提取出該網(wǎng)頁中所有的URL鏈接，之后再對提取出來的每個URL進行爬取，提取出各個網(wǎng)頁中的新一輪URL，以此類推。整體的感覺就是自上而下進行抓取網(wǎng)頁中的鏈接，理論上來看，可以抓取整站所有的鏈接。但是問題來了，一個網(wǎng)站中網(wǎng)頁的鏈接是有環(huán)路的。

舉個栗子，在網(wǎng)站首頁中我們可以看到首頁這個鏈接，之后我們在子網(wǎng)頁中也有可能會看到有個鏈接是指向首頁的，可能子子網(wǎng)頁還會有對應的鏈接指向首頁。按照我們之前的邏輯，抓取每個網(wǎng)頁中的所有鏈接，之后對所有的鏈接繼續(xù)抓取。就拿首頁來說，我們首先抓取的就是它，爾后子網(wǎng)頁中又有個鏈接指向首頁，子子網(wǎng)頁還有鏈接指向首頁，如此進行抓取，豈不是會導致網(wǎng)頁重復抓取，其他的網(wǎng)頁根本就沒有機會去抓取了，簡直不敢想象~~要解決這個問題并不難，此時就需要用到網(wǎng)絡爬蟲中了一個重要的知識點，就是網(wǎng)頁去重。

首先介紹一個簡單的思路，也是經常用的一個通用思路。我們將已經爬取過的網(wǎng)頁放到一個列表中去，以首頁為例，當首頁被抓取之后，將首頁放到列表中，之后我們抓取子網(wǎng)頁的時候，如果再次碰到了首頁，而首頁已經被抓取過了，此時就可以跳過首頁，繼續(xù)往下抓取其他的網(wǎng)頁，而避開了將首頁重復抓取的情況，這樣下來，爬取整站就不會出現(xiàn)一個環(huán)路。以這個思路為出發(fā)點，將訪問過的URL保存到數(shù)據(jù)庫中，當獲取下一個URL的時候，就去數(shù)據(jù)庫中去查詢這個URL是否已經被訪問過了。雖然數(shù)據(jù)庫有緩存，但是當每個URL都去數(shù)據(jù)庫中查詢的話，會導致效率下降的很快，所以這種策略用的并不多，但不失為最簡單的一種方式。

第二種方式是將訪問過的URL保存到set中去，通過這樣方式獲取URL的速度很快，基本上不用做查詢。但是這種方法有一個缺點，將URL保存到set中，實際上是保存到內存中，當URL數(shù)據(jù)量很大的時候（如1億條），會導致內存的壓力越來越大。對于小型的爬蟲來說，這個方法十分可取，但是對于大型的網(wǎng)絡爬蟲，這種方法就難以企及了。

第三種方式是將字符進行md5編碼，md5編碼可以將字符縮減到固定的長度。一般來說，md5編碼的長度約為128bit，約等于16byte。在未縮減之前，假設一個URL占用的內存大小為50個字節(jié)，一個字節(jié)等于2byte，相當于100byte。由此可見，進行md5編碼之后，節(jié)約了大量的內存空間。通過md5的方式可以將任意長度的URL壓縮到同樣長度的md5字符串，而且不會出現(xiàn)重復的情況，達到去重的效果。通過這種方式很大程度上節(jié)約了內存，scrapy框架采取的方式同md5方式有些類似，所以說scrapy在正常情況下，即使URL的數(shù)量級達到了上億級別，其占用的內存比起set方式也要少得多。

第四種方式是使用bitmap方法將字符進一步壓縮。這種方式的意思是在計算機中申請8個bit，即8個位，每個位由0或者1表示，這是計算機中最小的單元。8個位組成1個byte，一個位代表一個URL的話，為什么一個位可以確定一個URL呢？因為我們可以將一個URL進行一個哈希函數(shù)，然后將其映射到位上面去。舉個栗子，假設我們有8個URL，分別對應8個位，然后通過位上面的0和1的狀態(tài)，便可以表明這個URL是否存在，通過這種方法便可以進一步的壓縮內存。

但是bitmap方法有一個非常大的缺點，就是它的沖突會非常高，因為同用一個哈希函數(shù)，極有可能將兩個不同的URL或者多個不同的URL映射到一個位置上來。實際上這種哈希的方法，它也是set方式的一種實現(xiàn)原理，它將URL進行一種函數(shù)計算，然后映射到bit的位置中去，所以這種方式對內存的壓縮是非常大的。簡單的來計算一下，還是以一億條URL來進行計算，相當于一億個bit，通過計算得到其相當于12500000byte，除以1024之后約為12207KB，大概是12MB的空間。在實際過程中內存的占用可能會比12MB大一些，但是即便是如此，相比于前面三種方法，這種方式以及大大的減少了內存占用的空間了。但是與此同時，該方法產生沖突的可能性是非常大的，所以這種方法也不是太適用的。那么有沒有方法將bitmap這種對內存濃重壓縮的方法做進一步優(yōu)化，讓沖突的可能性降下來呢？答案是有的，就是第五種方式。

第五種方式是bloomfilter，該方法對bitmap進行改進，它可以通過多個哈希函數(shù)減少沖突的可能性。通過這種方式，一方面它既可以達到bitmap方法減少內存的作用，另一方面它又同時起到減少沖突的作用。關于bloomfilter原理及其實現(xiàn)，后期肯定會給大家呈上，今天先讓大家有個簡單的認識。Bloomfilter適用于大型的網(wǎng)絡爬蟲，尤其是數(shù)量級超級大的時候，采用bloomfilter方法可以起到事半功倍的效果，其也經常和分布式爬蟲共同配合，以達到爬取的目的。

關于網(wǎng)絡爬蟲過程中去重策略的五種方式的介紹就先到這里了，不懂的就當了解一下了，科普一下下，問題不大，希望對小伙伴們的學習有所幫助。