第三百五十八節，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
布隆過濾器(Bloom Filter)詳解
基本概念
如果想判斷一個元素是不是在一個集合里，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，樹等等數據結構都是這種思路. 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）的數據結構。它可以通過一個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，我們只要看看這個點是不是 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 Hash 函數是良好的，如果我們的位陣列長度為 m 個點，那么如果我們想將沖突率降低到例如 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，如果它們有一個說元素不在集合中，那肯定就不在。如果它們都說在，雖然也有一定可能性它們在說謊，不過直覺上判斷這種事情的概率是比較低的。
優點
相比于其它的數據結構，布隆過濾器在空間和時間方面都有巨大的優勢。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系，方便由硬件并行實現。布隆過濾器不需要存儲元素本身，在某些對保密要求非常嚴格的場合有優勢。
布隆過濾器可以表示全集，其它任何數據結構都不能；
k 和 m 相同，使用同一組 Hash 函數的兩個布隆過濾器的交并差運算可以使用位操作進行。
缺點
但是布隆過濾器的缺點和優點一樣明顯。誤算率（False Positive）是其中之一。隨著存入的元素數量增加，誤算率隨之增加。但是如果元素數量太少，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數組，每插入一個元素相應的計數器加1, 這樣刪除元素時將計數器減掉就可以了。然而要保證安全的刪除元素并非如此簡單。首先我們必須保證刪除的元素的確在布隆過濾器里面. 這一點單憑這個過濾器是無法保證的。另外計數器回繞也會造成問題。
python 基于redis實現的bloomfilter(布隆過濾器)，BloomFilter_imooc
BloomFilter_imooc下載
下載地址：https://github.com/liyaopinner/BloomFilter_imooc
依賴關系：
python 基于redis實現的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():
? ? #內置100個隨機種子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是預先估計要去重的數量
#error_rate表示錯誤率
#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????
????????self.k = math.ceil(math.log1p(2)*self.m/capacity)? ? #需要最少的hash次數
????????self.mem = math.ceil(self.m/8/1024/1024)? ? ? ? ?#需要的多少M內存
????????self.blocknum = math.ceil(self.mem/512)? ? ? ? ? ? ?#需要多少個512M的內存塊,value的第一個字符必須是ascii碼，所有最多有256個內存塊
????????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
啟動爬蟲scrapy crawl jobbole
cd 到redis安裝目錄執行命令：redis-cli -h 127.0.0.1 -p 6379連接redis客戶端
連接redis客戶端后執行命令：lpush jobbole:start_urls http://www.luyin.org向redis添加一個爬蟲起始url
開始爬取
redis狀態說明：
