爬虫架构（一）：爬虫中的去重处理

一、概要

1. 去重应用场景以及基本原理
2. 基于信息摘要算法的去重
3. 基于 simhash 算法的去重
4. 布隆过滤器原理与实现

二、去重应用场景以及基本原理

2.1 爬虫中什么业务需要使用去重

1. 防止发出重复的请求
2. 防止存储重复的数据

2.2 去重实现的基本原理

根据给定的 判断依据 和给定的 去重容器，将原始数据逐一进行判断，判断去重容器中是否有该数据。如果没有那就把该数据对应的判断依据添加去重容器中，同时标记该数据是不重复数据；如果有就不添加，同时标记该数据是重复数据。

重点：

1. 判断依据（原始数据、原始数据特征值)
2. 去重容器（存储判断数据) set()

2.3 根据原始数据进行去重判断

2.4 根据原始数据的特征值进行去重判断

思考：为什么要用原始数据的特征值进行判断?

理解：1、节省存储空间 2、比对更加快捷高效

2.5 临时去重容器与持久化去重容器

临时去重容器：指如利用 list、set 等编程语言的数据结构存储去重数据，一旦程序关闭或重启后，去重容器中的数据就被回收了。使用与实现简单方便；但无法共享、无法持久化。
持久化去重容器指如利用 redis、mysql 等数据库存储去重数据。持久化、共享；但使用与实现相对复杂

2.6 常用几种特殊的原始数据特征值计算

1. 信息摘要 hash 算法(指纹)
2. SimHash 算法
3. 布隆过滤器方式

三、基于信息摘要算法的去重

3.1 信息摘要 hash 算法介绍

信息摘要 hash 算法指可以将任意长度的文本、字节数据，通过一个算法得到一个固定长度的文本。如 MD5(128位)、SHA1(160位) 等。

特征：只要源文本不同，计算得到的结果，必然不同(摘要)。 摘要：摘要算法主要用于比对信息源是否一致，因为只要源发生变化，得到的摘要必然不同；而且通常结果要比源短很多，所以称为 摘要。正因此，利用信息摘要算法能大大降低去重容器的存储空间使用率，并提高判断速度，直由于其强唯—性的特征，几乎不存在误判。

注意： hash 算法得出的结果其实本质上就是一串数值，如 md5 的128位指的是二进制的长度，十六进制的长度是32位。一个十六进制等于四个二进制。

3.2 信息摘要 hash 算法去重方案实现

基类的实现：

# 基于信息摘要算法进行数据的去重判断和存储# 1. 基于内存的存储
# 2. 基于redis的存储
# 3. 基于mysql的存储import hmacclass BaseFilter(object):'''基于信息摘要算法进行数据的去重判断和存储'''def __init__(self,digest_mod="MD5",redis_host="localhost",redis_port=6379,redis_db=0,redis_key="filter",mysql_url=None,mysql_table_name="filter"):self.redis_host = redis_hostself.redis_port = redis_portself.redis_db = redis_dbself.redis_key = redis_keyself.mysql_url = mysql_urlself.mysql_table_name = mysql_table_name# self.key =self.digest_mod = digest_modself.storage = self._get_storage()def _safe_data(self, data):''':param data: 给定的原始数据:return: 二进制类型的字符串数据'''if isinstance(data, bytes):return dataelif isinstance(data, str):return data.encode()else:raise Exception("please provide a string...")def _get_hash_value(self, data):'''根据给定的数据，返回的对应信息摘要hash值:param data: 给定的原始数据（二进制类型的字符串数据）:return: hash值'''data = self._safe_data(data)key = 'amoxiang666'.encode("utf8")hash_obj = hmac.new(key, data, digestmod=self.digest_mod)hash_value = hash_obj.hexdigest()return hash_valuedef save(self, data):'''根据data计算出对应的指纹进行存储:param data: 给定的原始数据:return: 存储的结果'''hash_value = self._get_hash_value(data)return self._save(hash_value)def _save(self, hash_value):'''存储对应的hash值（交给对应的子类去继承）:param hash_value: 通过信息摘要算法求出的hash值:return: 存储的结果'''passdef is_exists(self, data):'''判断给定的数据对应的指纹是否存在:param data: 给定的原始数据:return: True or False'''hash_value = self._get_hash_value(data)return self._is_exists(hash_value)def _is_exists(self, hash_value):'''判断对应的hash值是否已经存在（交给对应的子类去继承）:param hash_value: 通过信息摘要算法求出的hash值:return: 判断的结果（True or False）'''passdef _get_storage(self):'''返回对应的一个存储对象（交给对应的子类去继承）:return:'''passfrom .mysql_filter import MySQLFilter
from .memory_filter import MemoryFilter
from .redis_filter import RedisFilter

普通内存版本：

# 基于python中的 集合数据结构进行去重判断依据的存储
from . import BaseFilterclass MemoryFilter(BaseFilter):'''基于python中的 集合数据结构进行去重判断依据的存储'''def _get_storage(self):return set()def _save(self, hash_value):'''利用set进行存储:param hash_value::return:'''return self.storage.add(hash_value)def _is_exists(self, hash_value):if hash_value in self.storage:return Truereturn False

Redis 持久化版：

# 基于redis的持久化存储的去重判断依据的实现
import redisfrom . import BaseFilterclass RedisFilter(BaseFilter):'''基于redis的持久化存储的去重判断依据的实现'''def _get_storage(self):'''返回一个redis连接对象'''pool = redis.ConnectionPool(host=self.redis_host, port=self.redis_port, db=self.redis_db)client = redis.StrictRedis(connection_pool=pool)return clientdef _save(self, hash_value):'''利用redis的无序集合进行存储:param hash_value::return:'''return self.storage.sadd(self.redis_key, hash_value)def _is_exists(self, hash_value):'''判断redis对应的无序集合中是否有对应的判断依据'''return self.storage.sismember(self.redis_key, hash_value)

MySQL 持久化版本：

# 基于mysql的去重判断依据的存储from sqlalchemy import create_engine, Column, Integer, String
from sqlalchemy.orm import sessionmaker
from sqlalchemy.ext.declarative import declarative_basefrom . import BaseFilterBase = declarative_base()class MySQLFilter(BaseFilter):'''基于mysql的去重判断依据的存储'''def __init__(self, *args, **kwargs):self.table = type(kwargs["mysql_table_name"],(Base,),dict(__tablename__=kwargs["mysql_table_name"],id=Column(Integer, primary_key=True),hash_value=Column(String(40), index=True, unique=True)))BaseFilter.__init__(self, *args, **kwargs)def _get_storage(self):'''返回一个mysql连接对象(sqlalchemy的数据库连接对象)'''engine = create_engine(self.mysql_url)Base.metadata.create_all(engine)  # 创建表、如果有就忽略Session = sessionmaker(engine)return Sessiondef _save(self, hash_value):'''利用redis的无序集合进行存储:param hash_value::return:'''session = self.storage()filter = self.table(hash_value=hash_value)session.add(filter)session.commit()session.close()def _is_exists(self, hash_value):'''判断redis对应的无序集合中是否有对应的判断依据'''session = self.storage()ret = session.query(self.table).filter_by(hash_value=hash_value).first()session.close()if ret is None:return Falsereturn True

测试：

# python3
from information_summary_filter import MemoryFilter
from information_summary_filter import RedisFilter
from information_summary_filter import MySQLFilter# filter = MemoryFilter()
# filter = RedisFilter(redis_key="test1")
mysql_url = "mysql+pymysql://root:123456@127.0.0.1:3306/db_admin?charset=utf8"
filter = MySQLFilter(mysql_url=mysql_url, mysql_table_name="test20230319")data = ["111", "qwe", '222', "333", "111", "qwe", "中文", "qwer"]for d in data:if filter.is_exists(d):print("发现重复的数据: ", d)else:filter.save(d)print("保存去重的数据：", d)

3.3 基于 simhash 算法的去重

3.3.1 Simhash 介绍以及应用场景

Simhash 算法是一种局部敏感哈希算法，能实现 相似 文本内容的去重。比如下列两篇新闻数据：

3.3.2 Simhash 的特征

与信息摘要算法的区别：

1. 信息摘要算法：如果原始内容只相差一个字节，所产生的签名也很可能差别很大。
2. Simhash 算法：如果原始内容只相差一个字节，所产生的签名差别非常小。

Simhash 值比对：通过两者的 simhash 值的二进制位的差异来表示原始文本内容的差异。差异个数又被称为 海明距离。

注意：Simhash 对长文本 500字+ 比较适用，短文本可能偏差较大。在google的论文给出的数据中，64位simhash值，在海明距离为3的情况下，可认为两篇文档是相似的或者是重复的。当然这个值只是参考值，针对自己的应用可能有不同的测试取值。

3.3.3 Simhash 值得比对

Python 实现的 simhash 算法。该模块得出的 simhash 值长度正是64位。https://github.com/leonsim/simhash

如对比前面列出的人民网和中国网的两篇相似新闻(以下值仅供参考)。128位MD5值：

64位simhash值：

3.3.4 示例代码

import re
from simhash import Simhash, SimhashIndexdef get_features(s):width = 3s = s.lower()s = re.sub(r'[^\w]+', '', s)return [s[i:i + width] for i in range(max(len(s) - width + 1, 1))]data = {"key1": u'How are you? I Am fine. blar blar blar blar blar Thanks.',"key2": u'How are you i am fine. blar blar blar blar blar than',"key3": u'This is simhash test.',"4": u'How are you i am fine. blar blar blar blar blar thank'
}
objs = [(str(k), Simhash(get_features(v))) for k, v in data.items()
]
print(objs)
index = SimhashIndex(objs, k=4)  # k相当于海明距离print(index.bucket_size())  # 11s1 = Simhash(get_features(u'How are you i am fine. blar blar blar blar blar thank'))
print(index.get_near_dups(s1))  # ['1']index.add('4', s1)
print(index.get_near_dups(s1))  # ['4', '1']# 二进制位的比对     只能在内存中进行
# 序列化工具：  将一个对象转换为二进制的一个数据
# 反序列化：二进制--> 对象

四、布隆过滤器原理与实现

4.1 布隆过滤器 (bloomfilter) 原理

4.2 布隆过滤器实现

Python 实现的内存版布隆过滤器 pybloom，参考地址：https://github.com/jaybaird/python-bloomfilter

手动实现的 redis 版布隆过滤器，示例代码如下：

# -*- coding: utf-8 -*-
# @Time    : 2023-03-23 23:28
# @Author  : AmoXiang
# @File    : test.py
# @Software: PyCharm
# @Blog    : https://blog.csdn.net/xw1680# 布隆过滤器 redis版本实现
import hashlibimport redis
import six# 1. 多个hash函数的实现和求值
# 2. hash表实现和实现对应的映射和判断class MultipleHash(object):'''根据提供的原始数据，和预定义的多个salt，生成多个hash函数值'''def __init__(self, salts, hash_func_name="md5"):self.hash_func = getattr(hashlib, hash_func_name)if len(salts) < 3:raise Exception("please give three salt at least....")self.salts = saltsdef get_hash_values(self, data):'''根据提供的原始数据, 返回多个hash函数值'''hash_values = []for i in self.salts:hash_obj = self.hash_func()hash_obj.update(self._safe_data(data))hash_obj.update(self._safe_data(i))ret = hash_obj.hexdigest()hash_values.append(int(ret, 16))return hash_valuesdef _safe_data(self, data):''':param data: 给定的原始数据:return: 二进制类型的字符串数据'''if isinstance(data, bytes):return dataelif isinstance(data, str):return data.encode()else:raise Exception("please give string....")  # 建议使用英文来描述class BloomFilter(object):def __init__(self, salts, redis_host="localhost", redis_port=6379, redis_db=0, redis_key="bloomfilter"):self.redis_host = redis_hostself.redis_port = redis_portself.redis_db = redis_dbself.redis_key = redis_keyself.client = self._get_redis_client()self.multiple_hash = MultipleHash(salts)def _get_redis_client(self):'''返回一个redis连接对象'''pool = redis.ConnectionPool(host=self.redis_host, port=self.redis_port, db=self.redis_db)client = redis.StrictRedis(connection_pool=pool)return clientdef save(self, data):''''''hash_values = self.multiple_hash.get_hash_values(data)for hash_value in hash_values:offset = self._get_offset(hash_value)self.client.setbit(self.redis_key, offset, 1)return Truedef is_exists(self, data):hash_values = self.multiple_hash.get_hash_values(data)for hash_value in hash_values:offset = self._get_offset(hash_value)v = self.client.getbit(self.redis_key, offset)if v == 0:return Falsereturn Truedef _get_offset(self, hash_value):# 2**8 = 256# 2**20 = 1024 * 1024# (2**8 * 2**20 * 2*3) 代表hash表的长度  如果同一项目中不能更改return hash_value % (2 ** 8 * 2 ** 20 * 2 * 3)if __name__ == '__main__':data = ["asdfasdf", "123", "123", "456", "asf", "asf"]bm = BloomFilter(salts=["1", "2", "3", "4"], redis_host="172.17.0.2")for d in data:if not bm.is_exists(d):bm.save(d)print("映射数据成功： ", d)else:print("发现重复数据：", d)