专栏作者简介
九茶
Python工程师，目前居于广州。Github知名开源爬虫QQSpider和SinaSpider作者，经常会在CSDN上分享一些爬虫、数据等福利。爬过的网站有 QQ空间、新浪微博、Facebook、Twitter、WooYun、Github、SearchCode、CSDN、博客园、天猫、大众点评、图吧网、域名与IP数据、证券投资数据、中国土地数据、某些政府网站等。 除了爬虫领域之外，还会分享一些Python小应用（例如Python+PhantomJS批量注册账号，登录等），接下来在Python中文社区还会分享一些Python在大数据运算（ES、Spark）和数据挖掘方面的文章。
CSDN：http://blog.csdn.net/bone_ace
Github：https://github.com/liuxingming
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
# encoding=utf-8
importredis
fromhashlibimportmd5
classSimpleHash(object):
def__init__(self,cap,seed):
self.cap=cap
self.seed=seed
defhash(self,value):
ret=0
foriinrange(len(value)):
ret+=self.seed*ret+ord(value[i])
return(self.cap-1)&ret
classBloomFilter(object):
def__init__(self,host='localhost',port=6379,db=0,blockNum=1,key='bloomfilter'):
"""
:param host: the host of Redis
:param port: the port of Redis
:param db: witch db in Redis
:param blockNum: one blockNum for about 90,000,000; if you have more strings for filtering, increase it.
:param key: the key's name in Redis
"""
self.server=redis.Redis(host=host,port=port,db=db)
self.bit_size=1<<31# Redis的String类型最大容量为512M，现使用256M
self.seeds=[5,7,11,13,31,37,61]
self.key=key
self.blockNum=blockNum
self.hashfunc=[]
forseedinself.seeds:
self.hashfunc.append(SimpleHash(self.bit_size,seed))
defisContains(self,str_input):
ifnotstr_input:
returnFalse
m5=md5()
m5.update(str_input)
str_input=m5.hexdigest()
ret=True
name=self.key+str(int(str_input[0:2],16)%self.blockNum)
forfinself.hashfunc:
loc=f.hash(str_input)
ret=ret&self.server.getbit(name,loc)
returnret
definsert(self,str_input):
m5=md5()
m5.update(str_input)
str_input=m5.hexdigest()
name=self.key+str(int(str_input[0:2],16)%self.blockNum)
forfinself.hashfunc:
loc=f.hash(str_input)
self.server.setbit(name,loc,1)
if__name__=='__main__':
""" 第一次运行时会显示 not exists!，之后再运行会显示 exists! """
bf=BloomFilter()
ifbf.isContains('http://www.baidu.com'):# 判断字符串是否存在
print'exists!'
else:
print'not exists!'
bf.insert('http://www.baidu.com')
说明：
1、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。
2、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。
3、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）。
4、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）。
另外针对基于Scrapy+Redis框架的爬虫，我使用Bloomfilter作了一些优化，只需替换scrapy_redis模块即可使用Bloomfilter去重，并且去重队列和种子队列可以拆分到不同的机器上。
详情见《scrapy_redis去重优化（已有7亿条数据），附Demo福利》：http://blog.csdn.net/bone_ace/article/details/53099042
代码地址：https://github.com/LiuXingMing/Scrapy_Redis_Bloomfilter
点击阅读全文进入作者博客主页
热门文章
⊙nginx日志：使用Python分析nginx日志
⊙地理编码：怎样用Python实现地理编码
⊙爬虫代理：如何构建爬虫代理服务
⊙生成器：关于生成器的那些事儿
⊙淘宝女郎：一个批量抓取淘女郎写真图片的爬虫
在公众号底部回复上述关键词可直接打开相应文章
