用python 做爬虫，抓取网站，在抓取的过程中会碰到重复的网址，随着抓取网址的越来越多，网址库越来越大，如果每次爬到网址都去网址库对比一下 是否重复，这样的结果就是效率越来越低了，有什么办法或者算法 提高过滤重复网址的效率？

[soho176]

[polythene]

Bloom Filter

[woshifyz]

bloom filter ,你要判断不在集合内，所以不会错，而且是常数时间

[richiefans]

同求实例 这个算法还是没怎么理解

[cloudzhou]

我提供一个思路给你，在索引里面，定长数据查询效率要远远高于不定长数据，url是不定长数据，但是可以转变成为定长，如果散列足够随机，冲突不大的话，那么可以考虑，比如：
把url转换成为long值，hash(url) -> id
long值的范围是 2^64，说实话，我不认为你能达到产生冲突的可能性
然后做非uniq索引，在每次查询结果列表里面做遍历，在冲突小的情况下，每次基本返回一条数据。

如果你的数据量很小，允许一定误差，那就根本不考虑冲突的情况。

这其实就是hash的基本思想。

[sivacohan]

bloom filter
SimHash

[littlekfc]

用bloom filter有个问题，它是有误判的。比如新的一条url，在bloom filter里查得系统已经存在了。但这会有一定的概率是错误的。数据量还不大的话这个概率很小很小。但是随着记录越来越多，误判的概率会增大的。所以，如果业务要求不能漏url的话，bloom filter不适合，否则可以考虑。

[lookhi]

无论怎么做都行，最简单的MD5(URL),比对的时候简单的比对下就好了。

等你md5都不够用了的话，系统早就要升级了。

[Muninn]

你想变快 肯定要缩短url 想要缩短 肯定会损失信息
损失了信息肯定会碰撞
所以别纠结了
这个地方想完美是没辙的
和永动机一样做不到的

[Angelkid]

我刚好也在纠结这个问题

[binux]

上10亿了吗？没有？直接hash查库

[Livid]

把 URL 的 sha256 放到 Redis 里查。

[foxidea]

告诉你怎么快速：

把 url 地址 反序一次， md5 一次，然后 取 md5 前三位

命名为表名 string tableName = "table_"+md5[0]+md5[1]+md5[2];

然后再封装好算法，进行查、写入

[amazingjxq]

@foxidea 为什么要反序一次？这样做有什么好处吗

[soho176]

@lookhi 当网址足够多的时间 这样的对比 效率很低吧

[soho176]

@woshifyz Bloom Filter在时间空间这两个因素之外又引入了另一个因素：错误率。在使用Bloom Filter判断一个元素是否属于某个集合时，会有一定的错误率。也就是说，有可能把不属于这个集合的元素误认为属于这个集合（False Positive），但不会把属于这个集合的元素误认为不属于这个集合（False Negative）。在增加了错误率这个因素之后，Bloom Filter通过允许少量的错误来节省大量的存储空间。
这样的结果就是有可能这个页面还没有爬过 却跳过了。。。

[lookhi]

@soho176 等足够多的时候再考虑。后续可以考虑@foxidea类似的方法。现在你想太多了！

[workaholic]

Bloom Filter ++

[csx162]

先搞清楚慢的地方在哪里。。。

[dingyaguang117]

布隆过滤器
http://www.co-ding.com/?p=183

[lddhbu]

trie树可以吧