前言：

“去重”是日常工作中会经常用到的一项技能，在爬虫领域更是常用，并且规模一般都比较大。去重需要考虑两个点：去重的数据量、去重速度。为了保持较快的去重速度，一般选择在内存中进行去重。

  • 数据量不大时，可以直接放在内存里面进行去重，例如python可以使用set()进行去重。
  • 当去重数据需要持久化时可以使用redis的set数据结构。
  • 当数据量再大一点时，可以用不同的加密算法先将长字符串压缩成 16/32/40 个字符，再使用上面两种方法去重；
  • 当数据量达到亿（甚至十亿、百亿）数量级时，内存有限，必须用“位”来去重，才能够满足需求。Bloomfilter就是将去重对象映射到几个内存“位”，通过几个位的 0/1值来判断一个对象是否已经存在。
  • 然而Bloomfilter运行在一台机器的内存上，不方便持久化（机器down掉就什么都没啦），也不方便分布式爬虫的统一去重。如果可以在Redis上申请内存进行Bloomfilter，以上两个问题就都能解决了。

本文即是用Python，基于Redis实现Bloomfilter去重。下面先放代码，最后附上说明。

代码：

  1. # encoding=utf-8
  3. import redis
  4. from hashlib import md5
  7. class SimpleHash(object):
  8.     def __init__(self, cap, seed):
  9.         self.cap = cap
  10.         self.seed = seed
  12.     def hash(self, value):
  13.         ret = 0
  14.         for i in range(len(value)):
  15.             ret += self.seed * ret + ord(value[i])
  16.         return (self.cap - 1) & ret
  19. class BloomFilter(object):
  20.     def __init__(self, host='localhost', port=6379, db=0, blockNum=1, key='bloomfilter'):
  21.         """
  22.         :param host: the host of Redis
  23.         :param port: the port of Redis
  24.         :param db: witch db in Redis
  25.         :param blockNum: one blockNum for about 90,000,000; if you have more strings for filtering, increase it.
  26.         :param key: the key's name in Redis
  27.         """
  28.         self.server = redis.Redis(host=host, port=port, db=db)
  29.         self.bit_size = 1 << 31  # Redis的String类型最大容量为512M，现使用256M= 2^8 *2^20 字节 = 2^28 * 2^3bit
  30.         self.seeds = [5, 7, 11, 13, 31, 37, 61]
  31.         self.key = key
  32.         self.blockNum = blockNum
  33.         self.hashfunc = []
  34.         for seed in self.seeds:
  35.             self.hashfunc.append(SimpleHash(self.bit_size, seed))
  37.     def isContains(self, str_input):
  38.         if not str_input:
  39.             return False
  40.         m5 = md5()
  41.         m5.update(str_input)
  42.         str_input = m5.hexdigest()
  43.         ret = True
  44.         name = self.key + str(int(str_input[0:2], 16) % self.blockNum)
  45.         for f in self.hashfunc:
  46.             loc = f.hash(str_input)
  47.             ret = ret & self.server.getbit(name, loc)
  48.         return ret
  50.     def insert(self, str_input):
  51.         m5 = md5()
  52.         m5.update(str_input)
  53.         str_input = m5.hexdigest()
  54.         name = self.key + str(int(str_input[0:2], 16) % self.blockNum)
  55.         for f in self.hashfunc:
  56.             loc = f.hash(str_input)
  57.             self.server.setbit(name, loc, 1)
  60. if __name__ == '__main__':
  61. """ 第一次运行时会显示 not exists!，之后再运行会显示 exists! """
  62.     bf = BloomFilter()
  63.     if bf.isContains('http://www.baidu.com'):   # 判断字符串是否存在
  64.         print 'exists!'
  65.     else:
  66.         print 'not exists!'
  67.         bf.insert('http://www.baidu.com')

说明：

  • Bloomfilter算法如何使用位去重，这个百度上有很多解释。简单点说就是有几个seeds，现在申请一段内存空间，一个seed可以和字符串哈希映射到这段内存上的一个位，几个位都为1即表示该字符串已经存在。插入的时候也是，将映射出的几个位都置为1。
  • 需要提醒一下的是Bloomfilter算法会有漏失概率，即不存在的字符串有一定概率被误判为已经存在。这个概率的大小与seeds的数量、申请的内存大小、去重对象的数量有关。下面有一张表，m表示内存大小（多少个位），n表示去重对象的数量，k表示seed的个数。例如我代码中申请了256M，即1<<31（m=2^31，约21.5亿），seed设置了7个。看k=7那一列，当漏失率为8.56e-05时，m/n值为23。所以n = 21.5/23 = 0.93(亿），表示漏失概率为8.56e-05时，256M内存可满足0.93亿条字符串的去重。同理当漏失率为0.000112时，256M内存可满足0.98亿条字符串的去重。

基于Redis的Bloomfilter去重 - 图1

基于Redis的Bloomfilter去重，其实就是利用了Redis的String数据结构，但Redis一个String最大只能512M，所以如果去重的数据量大，需要申请多个去重块（代码中blockNum即表示去重块的数量）。

代码中使用了MD5加密压缩，将字符串压缩到了32个字符（也可用hashlib.sha1()压缩成40个字符）。

它有两个作用，

  • 一是Bloomfilter对一个很长的字符串哈希映射的时候会出错，经常误判为已存在，压缩后就不再有这个问题；

  • 二是压缩后的字符为 0~f 共16中可能，我截取了前两个字符，再根据blockNum将字符串指定到不同的去重块进行去重。

总结：

基于Redis的Bloomfilter去重，既用上了Bloomfilter的海量去重能力，又用上了Redis的可持久化能力，基于Redis也方便分布式机器的去重。在使用的过程中，要预算好待去重的数据量，则根据上面的表，适当地调整seed的数量和blockNum数量（seed越少肯定去重速度越快，但漏失率越大）。

原文链接：http://blog.csdn.net/bone_ace/article/details/53107018