爬虫技术之——bloom filter（含java代码）

　　在爬虫系统中，在内存中维护着两个关于URL的队列，ToDo队列和Visited队列，ToDo队列存放的是爬虫从已经爬取的网页中解析出来的即将爬取的URL，但是网页是互联的，很可能解析出来的URL是已经爬取到的，因此需要VIsited队列来存放已经爬取过的URL。当爬虫从ToDo队列中取出一个URL的时候，先和Visited队列中的URL进行对比，确认此URL没有被爬取后就可以下载分析来。否则舍弃此URL，从Todo队列取出下一个URL继续工作。

　　然后，我们知道爬虫在爬取网页时，网页的量是比较大的，直接将所有的URL直接放入Visited队列是很浪费空间的。因此引入bloom filter！

（关于使用bloomfilter的原因：

visited队列中url过多，消耗内存空间是一方面。还有一个重要的原因，在从todo队列中取出一个新的URL时，必须和 visited中所有URL比较，确保没有处理过。那么如果直接比较的话，是要比较N（visited中所有url个数）次的，而且这个N相当大，效率明 显不够。采用bloom filter，最多只要比较K（我在文章中写的，相互独立的散列函数的个数）次，因为只要一个散列函数的散列值对应的位是0，就可以确定这个URL没有处 理过。

）

　　我们把bloom filer设置为m个bit，全部初始为0。

　　对每一个URL，进行K（K<m）次相互独立的哈希，一共得到K个值，将这K个值在bloom filter中对应的bit位置1。

　　经过上述处理的bloom filter实际上构成了我们所说的Visited队列，当我们从ToDo队列中取出一个新的URL时，同样，进行相同的K次哈希，每进行一次哈希，查看bloom filter中对应位，只要发现某位是0，就可以确定这个URL是没有处理过的，可以继续下载处理。

　　那么，原理清楚之后，还有几个问题没有解决。

　　1、bloom filter是有可能发生错误的，因为不处理碰撞，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

　　错误率的计算：

　　在n个URL都进行k次散列加入之后，bloomfilter中某位是0的概率

　 　　

　　错误率（即一个新的URL恰好k次散列的值对应的位都已经是1的概率）

　　　

　　2、哈希函数个数K的确定

　　k = ln2· (m/n)时（具体数学分析见http://blog.csdn.net/jiaomeng/article/details/1495500）

　　3、bloomfilter位数M的确定

　　我们可以想到，M的大小越大，错误率就会越小，但是数学证明给出了一个下界。即M = log₂ e N = 1.44N。

　　附上java代码

 /**屈永泉 布隆过滤器 快速确定哪些网页已经被下载过*/

 package crawler;

 import java.util.BitSet;

 public class BloomFilter {
     private int defaultSize =  << ;
     private int basic = defaultSize - ;
     private BitSet bits = new BitSet(defaultSize);

     private int[] lrandom(String key) { // 产生八个随机数并返回
         int[] randomsum = new int[];
         for (int i = ; i < ; i++)
             randomsum[] = hashCode(key, i + );
         return randomsum;
     }

     // 将一个URL加入
     public synchronized void add(String key) {
         int keyCode[] = lrandom(key);
         for (int i = ; i < ; i++)
             bits.set(keyCode[i]); // 将指定索引处的位设置为 true
         }
     }

     // 判断一个URL是否存在
     public boolean exist(String key) {
         int keyCode[] = lrandom(key);
         if (bits.get(keyCode[])
                 && bits.get(keyCode[]) // 返回指定索引处的位值。
                 && bits.get(keyCode[]) && bits.get(keyCode[])
                 && bits.get(keyCode[]) && bits.get(keyCode[])
                 && bits.get(keyCode[]) && bits.get(keyCode[])) {
             return true;
         }
         return false;
     }

     private int hashCode(String key, int Q) {
         int h = ;
         int off = ;
         char val[] = key.toCharArray(); // 将此URl转换为一个新的字符数组
         int len = key.length();
         for (int i = ; i < len; i++) {
             h = ( + Q) * h + val[off++];
         }
         return basic & h;
     }

      /* public static void main(String[] args) { // TODO Auto-generated method
       long pre = 0;
       long post = 0;
       pre = System.nanoTime();
           BloomFilter f = new BloomFilter(); //初始化
       f.add("http://www.agrilink.cn/"); f.add("http://www.baidu.com/");
       System.out.println(f.exist("http://www.baidu.com/"));
       System.out.println(f.exist("http://www.baidud.com/"));
       post = System.nanoTime();
       System.out.println("Time: " + (post - pre));

       }
      */

 }