爬虫判重

[1a1a11a]

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？

[wmttom]

bloom filter

[cdwyd]

吓一跳，看成了爬虫重判

[cdwyd]

hashmap 也不会嗖嗖几十个 g 吧，检查下流程，是不是哪里错了。

[gouchaoer]

数据库加索引就完了，搞那么复杂

[jiangzhuo]

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 ）[phone]*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]

Bloomfilter 或 数据库加索引

[samcode]

先 crc 或者啥 hash 一下

[1a1a11a]

@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]

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]

@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]

@samcode 这个可以考虑，谢谢啦。

[1a1a11a]

@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]

@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]

@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]

对爬取过的 url 计数，超过一定次数后丢弃

[wmttom]

@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]

用 HLL ，内存占用很少，有些误差

[v2pro]

simhash

[1a1a11a]

@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]

@wmttom 这个主意不错，非常感谢