本文主要是介绍BloomFilter与redis联合去重的python的代码,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
我们在爬大型网站的时候,需要处理上千万乃至上亿的url的去重。如果采用python的自带set,或者redis的set,那就需要占用很大的内存。如果存入将url存入数据库去重,那速度又会变慢。这种量级以上的去重,一般是采用BloomFilter,但是如果机器down机了,那BloomFilter在内存的数据中的数据,就没了。我们知道redis的数据既可以存在内存中,也可以存在硬盘中。如果能将BloomFilter和redis结合起来,那就非常棒了。
有了想法,那就去搜索,网上真的有人已经实现了,并且还公布了代码,下面均益贴上代码,想了解原理的可以访问原文
http://blog.csdn.net/bone_ace/article/details/53107018
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 | # encoding=utf-8 import redis from hashlib import md5 class SimpleHash ( object ) : def __init__ ( self , cap , seed ) : self . cap = cap self . seed = seed def hash ( self , value ) : ret = 0 for i in range ( len ( value ) ) : ret += self . seed * ret + ord ( value [ i ] ) return ( self . cap - 1 ) & amp ; ret class BloomFilter ( object ) : def __init__ ( self , host = 'localhost' , port = 6379 , db = 0 , blockNum = 1 , key = 'bloomfilter' ) : """ :param host: the host of Redis :param port: the port of Redis :param db: witch db in Redis :param blockNum: one blockNum for about 90,000,000; if you have more strings for filtering, increase it. :param key: the key's name in Redis """ self . server = redis . Redis ( host = host , port = port , db = db ) # <<表示二进制向左移动位数,比如2<<2,2的二进制表示000010,向左移2位,就是001000,就是十进制的8 self . bit_size = 1 << 31 # Redis的String类型最大容量为512M,现使用256M self . seeds = [ 5 , 7 , 11 , 13 , 31 , 37 , 61 ] self . key = key self . blockNum = blockNum self . hashfunc = [ ] for seed in self . seeds : self . hashfunc . append ( SimpleHash ( self . bit_size , seed ) ) def isContains ( self , str_input ) : if not str_input : return False m5 = md5 ( ) m5 . update ( str_input ) str_input = m5 . hexdigest ( ) ret = True name = self . key + str ( int ( str_input [ 0 : 2 ] , 16 ) % self . blockNum ) for f in self . hashfunc : loc = f . hash ( str_input ) ret = ret & amp ; self . server . getbit ( name , loc ) return ret def insert ( self , str_input ) : m5 = md5 ( ) m5 . update ( str_input ) str_input = m5 . hexdigest ( ) name = self . key + str ( int ( str_input [ 0 : 2 ] , 16 ) % self . blockNum ) for f in self . hashfunc : loc = f . hash ( str_input ) self . server . setbit ( name , loc , 1 ) if __name__ == '__main__' : """ 第一次运行时会显示 not exists!,之后再运行会显示 exists! """ bf = BloomFilter ( ) if bf . isContains ( 'http://www.baidu.com' ) : # 判断字符串是否存在 print 'exists!' else : print 'not exists!' bf . insert ( 'http://www.baidu.com' ) |
这篇关于BloomFilter与redis联合去重的python的代码的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!