基于Redis的Bloomfilter去重(附代码)-阿里云开发者社区

开发者社区> Python中文社区> 正文

基于Redis的Bloomfilter去重(附代码)

简介:

前言

“去重”是日常工作中会经常用到的一项技能,在爬虫领域更是常用,并且规模一般都比较大。去重需要考虑两个点:去重的数据量、去重速度。为了保持较快的去重速度,一般选择在内存中进行去重。

8481c8f592b7f349aa84a1de5c171db681516edf数据量不大时,可以直接放在内存里面进行去重,例如python可以使用set()进行去重。
8481c8f592b7f349aa84a1de5c171db681516edf当去重数据需要持久化时可以使用redis的set数据结构。
8481c8f592b7f349aa84a1de5c171db681516edf当数据量再大一点时,可以用不同的加密算法先将长字符串压缩成16/32/40个字符,再使用上面两种方法去重;
8481c8f592b7f349aa84a1de5c171db681516edf当数据量达到亿(甚至十亿、百亿)数量级时,内存有限,必须用“位”来去重,才能够满足需求。Bloomfilter就是将去重对象映射到几个内存“位”,通过几个位8481c8f592b7f349aa84a1de5c171db681516edf的0/1值来判断一个对象是否已经存在。
8481c8f592b7f349aa84a1de5c171db681516edf然而Bloomfilter运行在一台机器的内存上,不方便持久化(机器down掉就什么都没啦),也不方便分布式爬虫的统一去重。如果可以在Redis上申请内存进行Bloomfilter,以上两个问题就都能解决了。

本文即是用Python,基于Redis实现Bloomfilter去重。下面先放代码,最后附上说明。

代码

# 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) & 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)

        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 & 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')

说明:

1、Bloomfilter算法如何使用位去重,这个百度上有很多解释。简单点说就是有几个seeds,现在申请一段内存空间,一个seed可以和字符串哈希映射到这段内存上的一个位,几个位都为1即表示该字符串已经存在。插入的时候也是,将映射出的几个位都置为1。

2、需要提醒一下的是Bloomfilter算法会有漏失概率,即不存在的字符串有一定概率被误判为已经存在。这个概率的大小与seeds的数量、申请的内存大小、去重对象的数量有关。下面有一张表,m表示内存大小(多少个位),n表示去重对象的数量,k表示seed的个数。例如我代码中申请了256M, 即1<<31(m=2^31,约21.5亿),seed设置了7个。看k=7那一列,当漏失率为8.56e-05时,m/n值为23。所以n = 21.5/23=0.93(亿),表示漏失概率为8.56e-05时,256M内存可满足0.93亿条字符串的去重。同理当漏失率为0.000112时,256M内存可满足0.98亿条字符串的去重。

640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=


3、基于Redis的Bloomfilter去重,其实就是利用了Redis的String数据结构,但Redis一个String最大只能512M,所以如果去重的数据量大,需要申请多个去重块(代码中blockNum即表示去重块的数量)。

4、代码中使用了MD5加密压缩,将字符串压缩到了32个字符(也可用hashlib.sha1()压缩成40个字符)。它有两个作用,一是Bloomfilter对一个很长的字符串哈希映射的时候会出错,经常误判为已存在,压缩后就不再有这个问题;二是压缩后的字符为 0~f 共16中可能,我截取了前两个字符,再根据blockNum将字符串指定到不同的去重块进行去重。

总结

基于Redis的Bloomfilter去重,既用上了Bloomfilter的海量去重能力,又用上了Redis的可持久化能力,基于Redis也方便分布式机器的去重。在使用的过程中,要预算好待去重的数据量,则根据上面的表,适当地调整seed的数量和blockNum数量(seed越少肯定去重速度越快,但漏失率越大)。

另外针对基于Scrapy+Redis框架的爬虫,我使用Bloomfilter作了一些优化,只需替换scrapy_redis模块即可使用Bloomfilter去重,并且去重队列和种子队列可以拆分到不同的机器上。


原文发布时间为:2016-11-21

本文作者:九茶 

本文来自云栖社区合作伙伴“Python中文社区”,了解相关信息可以关注“Python中文社区”微信公众号

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:
Python中文社区
使用钉钉扫一扫加入圈子
+ 订阅

官网链接