爬虫判重 - V2EX

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

这是一个创建于 2802 天前的主题，其中的信息可能已经有所发展或是发生改变。

一般大家用什么办法判断 url 已经被爬过了？用 hashmap 感觉内存消耗无上限啊，几十 G 内存唰唰唰就满了，用 sqlite 感觉 HDD 会成瓶颈？

唰唰

sqlite

hashmap

HDD

28 条回复 • 2017-03-12 03:37:30 +08:00

wmttom

2017-03-09 00:24:14 +08:00 via iPhone

bloom filter

cdwyd

2017-03-09 00:30:15 +08:00 via Android

吓一跳，看成了爬虫重判

cdwyd

2017-03-09 00:32:28 +08:00 via Android

hashmap 也不会嗖嗖几十个 g 吧，检查下流程，是不是哪里错了。

gouchaoer

2017-03-09 00:46:31 +08:00 via Android

数据库加索引就完了，搞那么复杂

jiangzhuo

2017-03-09 01:15:52 +08:00

首先大家应该是用 url 判重，一般是选取 hostname 、 path 和一部分或者全部的 query 来组合进行 hash 判重。
就拿把 hash 作为 key 以 string 类型存在 redis 中来说。计算出来的 key 的 sds 大小是 64 字节，值只有 1 字节， sds 大小 16 字节。
在没有修改 redis 配置的情况下。
然后根据 http://www.worldwidewebsize.com/ Google 索引 47 亿多一点
如果有 47 亿个不同的 url 的话，占用内存是
4700000000*（ 16+16+16+64 ）+8589934592*4 = 522.25G (卧槽，打自己脸了

再算算如果楼主爬 5 亿个不同网址，大概需要 54G 的 redis ，这应该是一般能买的起的 64G 或者 96G 内存的机器。
5 亿个网址好像也超过现在的必应了。

scnace

2017-03-09 01:32:53 +08:00 via Android

Bloomfilter 或数据库加索引

samcode

2017-03-09 02:27:44 +08:00

先 crc 或者啥 hash 一下

1a1a11a

2017-03-09 06:36:28 +08:00

@wmttom bloom filter 在这里不好用吧，再不那么重视准确性的情况下，的确可以用

1a1a11a

2017-03-09 06:37:50 +08:00

检查过了，主要是 url 数据量太大了，写入磁盘的已经几百 GB 了，不过有些 url 是没意义的，需要想办法过滤掉。

1a1a11a

2017-03-09 06:38:22 +08:00

@gouchaoer 如果没有 redis 这类的，数据库查询会不会慢？我没测试过，不太了解

1a1a11a

2017-03-09 06:40:14 +08:00

@samcode 这个可以考虑，谢谢啦。

1a1a11a

2017-03-09 06:42:53 +08:00

@jiangzhuo 为什么我 72G 的内存刷刷刷就满了 :(，估计有不少费 url ，加上 python 可能比较费内存，你发的这个网址挺好玩的，不知道为什么中间突然降下去了，我一直觉得网页总数是单调增加的，不过从这个网站看，还挺稳定的。

1a1a11a

2017-03-09 06:43:31 +08:00

@jiangzhuo 哦，对，你的数值错了，是 470 亿，单位是 10 亿，不是 1 亿，所以你的计算要再乘以 10

binux

2017-03-09 07:25:34 +08:00

@1a1a11a #9 你已经写磁盘了？没有去重就已经写磁盘了？那么看起来你并没有实时去重的需求啊。那简单，把 url 排个序 sort | uniq 就行了。

bjlbeyond

2017-03-09 07:57:34 +08:00 via iPhone

对爬取过的 url 计数，超过一定次数后丢弃

wmttom

2017-03-09 09:43:29 +08:00 via iPhone

@1a1a11a 很多时候几个 9 的准确性已经足够了。
或者可以利用 Bloomfilter 的特性，不存在的一定不在，存在的再去查询存储索引，看是不是真的存在。

Lax

2017-03-09 09:44:38 +08:00

用 HLL ，内存占用很少，有些误差

v2pro

2017-03-09 09:47:06 +08:00

simhash

1a1a11a

2017-03-09 10:58:30 +08:00

@binux 我把去重完的 url 写磁盘了和待爬 url 队列写磁盘了，要不内存不一会儿就满，服务器是前兆带宽，我满载了在爬。。。

1a1a11a

2017-03-09 10:59:20 +08:00

@wmttom 这个主意不错，非常感谢

allgy

2017-03-09 10:59:39 +08:00

#1 楼正解

1a1a11a

2017-03-09 10:59:47 +08:00

@bjlbeyond 好像不太对题？还是我没理解到点？

1a1a11a

2017-03-09 11:00:24 +08:00

@Lax HLL 是什么，三个字母不太好搜，能不能给个名字？谢谢啦！

1a1a11a

2017-03-09 11:03:37 +08:00

@v2pro 好东西，学习了

jiangzhuo

2017-03-09 11:58:42 +08:00

@1a1a11a 果然大半夜事多了就是精力不集中， 1#说的对 bloomfilter+个 bigtable 什么的足够了

1a1a11a

2017-03-09 13:02:10 +08:00

@jiangzhuo 谢谢

Lax

2017-03-11 17:22:51 +08:00

@1a1a11a HyperLogLog ， redis 内置支持 https://redis.io/commands/pfadd

1a1a11a

2017-03-12 03:37:30 +08:00

@Lax 谢谢