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
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裏，一般想到的是將所有元素保存起來，然後通過比較確定。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，那麽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
相比於其它的數據結構，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，方便由硬件並行實現。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並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並非如此簡單。首先我們必須保證刪除的元素的確在布隆過濾器裏面. 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 基於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 基於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包解壓後，將裏面的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bit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) # 使用方法 # if __name__ == "__main__": # bf = PyBloomFilter(conn=conn) # 利用連接池連接Redis # bf.add(‘www.jobbole.com‘) # 向Redis默認的通道添加一個域名 # bf.add(‘www.luyin.org‘) # 向Redis默認的通道添加一個域名 # print(bf.is_exist(‘www.zhihu.com‘)) # 打印此域名在通道裏是否存在，存在返回1，不存在返回0 # print(bf.is_exist(‘www.luyin.org‘)) # 打印此域名在通道裏是否存在，存在返回1，不存在返回0
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
import logging import time from scrapy.dupefilters import BaseDupeFilter from scrapy.utils.request import request_fingerprint from . import defaults from .connection import get_redis_from_settings from bloomfilter.py_bloomfilter import conn,PyBloomFilter #導入布隆過濾器 logger = logging.getLogger(__name__) # TODO: Rename class to RedisDupeFilter. class RFPDupeFilter(BaseDupeFilter): """Redis-based request duplicates filter. This class can also be used with default Scrapy‘s scheduler. """ logger = logger def __init__(self, server, key, debug=False): """Initialize the duplicates filter. Parameters ---------- server : redis.StrictRedis The redis server instance. key : str Redis key Where to store fingerprints. debug : bool, optional Whether to log filtered requests. """ self.server = server self.key = key self.debug = debug self.logdupes = True # 集成布隆過濾器 self.bf = PyBloomFilter(conn=conn, key=key) # 利用連接池連接Redis @classmethod def from_settings(cls, settings): """Returns an instance from given settings. This uses by default the key ``dupefilter:<timestamp>``. When using the ``scrapy_redis.scheduler.Scheduler`` class, this method is not used as it needs to pass the spider name in the key. Parameters ---------- settings : scrapy.settings.Settings Returns ------- RFPDupeFilter A RFPDupeFilter instance. """ server = get_redis_from_settings(settings) # XXX: This creates one-time key. needed to support to use this # class as standalone dupefilter with scrapy‘s default scheduler # if scrapy passes spider on open() method this wouldn‘t be needed # TODO: Use SCRAPY_JOB env as default and fallback to timestamp. key = defaults.DUPEFILTER_KEY % {‘timestamp‘: int(time.time())} debug = settings.getbool(‘DUPEFILTER_DEBUG‘) return cls(server, key=key, debug=debug) @classmethod def from_crawler(cls, crawler): """Returns instance from crawler. Parameters ---------- crawler : scrapy.crawler.Crawler Returns ------- RFPDupeFilter Instance of RFPDupeFilter. """ return cls.from_settings(crawler.settings) def request_seen(self, request): """Returns True if request was already seen. Parameters ---------- request : scrapy.http.Request Returns ------- bool """ fp = self.request_fingerprint(request) # 集成布隆過濾器 if self.bf.is_exist(fp): # 判斷如果域名在Redis裏存在 return True else: self.bf.add(fp) # 如果不存在，將域名添加到Redis return False # This returns the number of values added, zero if already exists. # added = self.server.sadd(self.key, fp) # return added == 0 def request_fingerprint(self, request): """Returns a fingerprint for a given request. Parameters ---------- request : scrapy.http.Request Returns ------- str """ return request_fingerprint(request) def close(self, reason=‘‘): """Delete data on close. Called by Scrapy‘s scheduler. Parameters ---------- reason : str, optional """ self.clear() def clear(self): """Clears fingerprints data.""" self.server.delete(self.key) def log(self, request, spider): """Logs given request. Parameters ---------- request : scrapy.http.Request spider : scrapy.spiders.Spider """ if self.debug: msg = "Filtered duplicate request: %(request)s" self.logger.debug(msg, {‘request‘: request}, extra={‘spider‘: spider}) elif self.logdupes: msg = ("Filtered duplicate request %(request)s" " - no more duplicates will be shown" " (see DUPEFILTER_DEBUG to show all duplicates)") self.logger.debug(msg, {‘request‘: request}, extra={‘spider‘: spider}) self.logdupes = False
爬蟲文件
#!/usr/bin/env python # -*- coding:utf8 -*- from scrapy_redis.spiders import RedisCrawlSpider # 導入scrapy_redis裏的RedisCrawlSpider類 import scrapy from scrapy.linkextractors import LinkExtractor from scrapy.spiders import Rule class jobboleSpider(RedisCrawlSpider): # 自定義爬蟲類,繼承RedisSpider類 name = ‘jobbole‘ # 設置爬蟲名稱 allowed_domains = [‘www.luyin.org‘] # 爬取域名 redis_key = ‘jobbole:start_urls‘ # 向redis設置一個名稱儲存url rules = ( # 配置抓取列表頁規則 # Rule(LinkExtractor(allow=(‘ggwa/.*‘)), follow=True), # 配置抓取內容頁規則 Rule(LinkExtractor(allow=(‘.*‘)), callback=‘parse_job‘, follow=True), ) def parse_job(self, response): # 回調函數，註意：因為CrawlS模板的源碼創建了parse回調函數，所以切記我們不能創建parse名稱的函數 # 利用ItemLoader類，加載items容器類填充數據 neir = response.css(‘title::text‘).extract() print(neir)
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客戶端後執行命令：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：
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