URL去重应用

URL去重广泛应用于网络爬虫方面，主要体现在以下两点：

1. 实现增量爬虫时，需要判断哪些网页已经爬取了，哪些网页是新产生的，对新产生的网页，增量爬虫需要抓取其内容；
2. 避免爬虫出现“死循环”，由于网络间链接非常复杂，爬虫在爬取数据时，容易出现闭环的死循环现象，重复做无用功，无法爬取新的内容，为了避免出现死循环，需要让爬虫知道哪些URL已经爬取了，已爬取的URL不再访问。

几种URL去重方法介绍

• 使用关系型数据库对URL去重

点评：使用关系型数据库查询URL是否存在，进而实现URL去重，这种方式效率低，速度慢，数据量越大查询越慢，不推荐！

• 使用类Python set数据结构（内存去重）

又可以分为两种方法：使用Python set结构直接存储URL去重，或者存储URL对应的MD5来去重;

两种方法是基于内存去重，但第二种方法优势在于降低了内存的消耗。

假设存储1亿个不同的URL，每个URL平均长度为80个字符：

1. 通过Python set结构存储URL，消耗的内存大小为7.45GB
2. 通过Python set结构存储URL对应的MD5，消耗的内存大小为2.98GB

关于内存消重，能够实现数据快速去重，但受制内存大小的限制，这就决定了去重数据量规模，如果是十亿级，百亿级URL消重，就无法应付了；同时内存去重还有一个问题就是数据持久化问题：主机意外故障，内存数据将不复存在。

• 使用redis数据库去重，利用Redis中的set数据结构（内存去重）

也是基于内存去重，Redis数据库有集合数据类型，可以直接存储URL去重，或者存储URL对应的MD5来去重;

优势在于：便于分布式爬虫共用同一份消重数据，保证了数据一致性，而且支持数据持久化；

缺点在于：同样，受制于内存大小限制，如果是十亿级，百亿级URL消重，就无法应付了；

• 使用布隆过滤器（BloomFilter）实现URL去重

布隆过滤器是一种去重算法，这种去重方法占用内存极低，基本上可以忽略内存大小对去重数据量的限制；但是有一个问题，存在低概率的误报。

最终URL去重方案

综合以上URL去重方法，URL最终的去重方案为：

• 内存去重：基于Redis数据库，存储URL对应的MD5，实现百万或千万级数据量消重方案，可以满足大多数中型爬虫业务需要
• 布隆过滤器（BloomFilter）+ Redis方案 ：上亿甚至十几亿海量数据消重方案，满足大型爬虫业务需要

最后根据业务场景需求，选择合适的去重方式！

以上两点核心问题在于如何实现快速去重方法。

最后

有关布隆过滤器介绍，及Python版实现，会在后续文章重点介绍，敬请期待！