網路爬蟲過程中5種網頁去重方法簡要介紹
一般的，我們想抓取一個網站所有的URL，首先通過起始URL，之後通過網路爬蟲提取出該網頁中所有的URL連結，之後再對提取出來的每個URL進行爬取，提取出各個網頁中的新一輪URL，以此類推。整體的感覺就是自上而下進行抓取網頁中的連結，理論上來看，可以抓取整站所有的連結。但是問題來了，一個網站中網頁的連結是有環路的。
舉個栗子，在網站首頁中我們可以看到首頁這個連結，之後我們在子網頁中也有可能會看到有個連結是指向首頁的，可能子子網頁還會有對應的連結指向首頁。按照我們之前的邏輯，抓取每個網頁中的所有連結，之後對所有的連結繼續抓取。就拿首頁來說，我們首先抓取的就是它，爾後子網頁中又有個連結指向首頁，子子網頁還有連結指向首頁，如此進行抓取，豈不是會導致網頁重複抓取，其他的網頁根本就沒有機會去抓取了，簡直不敢想象~~要解決這個問題並不難，此時就需要用到網路爬蟲中了一個重要的知識點，就是網頁去重。
首先介紹一個簡單的思路，也是經常用的一個通用思路。我們將已經爬取過的網頁放到一個列表中去，以首頁為例，當首頁被抓取之後，將首頁放到列表中，之後我們抓取子網頁的時候，如果再次碰到了首頁，而首頁已經被抓取過了，此時就可以跳過首頁，繼續往下抓取其他的網頁，而避開了將首頁重複抓取的情況，這樣下來，爬取整站就不會出現一個環路。以這個思路為出發點，將訪問過的URL儲存到資料庫中，當獲取下一個URL的時候，就去資料庫中去查詢這個URL是否已經被訪問過了。雖然資料庫有快取，但是當每個URL都去資料庫中查詢的話，會導致效率下降的很快，所以這種策略用的並不多，但不失為最簡單的一種方式。
第二種方式是將訪問過的URL儲存到set中去，通過這樣方式獲取URL的速度很快，基本上不用做查詢。但是這種方法有一個缺點，將URL儲存到set中，實際上是儲存到記憶體中，當URL資料量很大的時候（如1億條），會導致記憶體的壓力越來越大。對於小型的爬蟲來說，這個方法十分可取，但是對於大型的網路爬蟲，這種方法就難以企及了。
第三種方式是將字元進行md5編碼，md5編碼可以將字元縮減到固定的長度。一般來說，md5編碼的長度約為128bit，約等於16byte。在未縮減之前，假設一個URL佔用的記憶體大小為50個位元組，一個位元組等於2byte，相當於100byte。由此可見，進行md5編碼之後，節約了大量的記憶體空間。通過md5的方式可以將任意長度的URL壓縮到同樣長度的md5字串，而且不會出現重複的情況，達到去重的效果。通過這種方式很大程度上節約了記憶體，scrapy框架採取的方式同md5方式有些類似，所以說scrapy在正常情況下，即使URL的數量級達到了上億級別，其佔用的記憶體比起set方式也要少得多。
第四種方式是使用bitmap方法將字元進一步壓縮。這種方式的意思是在計算機中申請8個bit，即8個位，每個位由0或者1表示，這是計算機中最小的單元。8個位組成1個byte，一個位代表一個URL的話，為什麼一個位可以確定一個URL呢？因為我們可以將一個URL進行一個雜湊函式，然後將其對映到位上面去。舉個栗子，假設我們有8個URL，分別對應8個位，然後通過位上面的0和1的狀態，便可以表明這個URL是否存在，通過這種方法便可以進一步的壓縮記憶體。
但是bitmap方法有一個非常大的缺點，就是它的衝突會非常高，因為同用一個雜湊函式，極有可能將兩個不同的URL或者多個不同的URL對映到一個位置上來。實際上這種雜湊的方法，它也是set方式的一種實現原理，它將URL進行一種函式計算，然後對映到bit的位置中去，所以這種方式對記憶體的壓縮是非常大的。簡單的來計算一下，還是以一億條URL來進行計算，相當於一億個bit，通過計算得到其相當於12500000byte，除以1024之後約為12207KB，大概是12MB的空間。在實際過程中記憶體的佔用可能會比12MB大一些，但是即便是如此，相比於前面三種方法，這種方式以及大大的減少了記憶體佔用的空間了。但是與此同時，該方法產生衝突的可能性是非常大的，所以這種方法也不是太適用的。那麼有沒有方法將bitmap這種對記憶體濃重壓縮的方法做進一步優化，讓衝突的可能性降下來呢？答案是有的，就是第五種方式。
第五種方式是bloomfilter，該方法對bitmap進行改進，它可以通過多個雜湊函式減少衝突的可能性。通過這種方式，一方面它既可以達到bitmap方法減少記憶體的作用，另一方面它又同時起到減少衝突的作用。關於bloomfilter原理及其實現，後期肯定會給大家呈上，今天先讓大家有個簡單的認識。Bloomfilter適用於大型的網路爬蟲，尤其是數量級超級大的時候，採用bloomfilter方法可以起到事半功倍的效果，其也經常和分散式爬蟲共同配合，以達到爬取的目的。
