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 = 5000 << 10000;
    private int basic = defaultSize - 1;
    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[8];
        for (int i = 0; i < 8; i++)
            randomsum[0] = hashCode(key, i + 1);
        return randomsum;
    }
   
    // 将一个URL加入
    public synchronized void add(String key) {
        int keyCode[] = lrandom(key);
        for (int i = 0; i < 8; 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[0])
                && bits.get(keyCode[1]) // 返回指定索引处的位值。
                && bits.get(keyCode[2]) && bits.get(keyCode[3])
                && bits.get(keyCode[4]) && bits.get(keyCode[5])
                && bits.get(keyCode[6]) && bits.get(keyCode[7])) {
            return true;
        }
        return false;
    }


    private int hashCode(String key, int Q) {
        int h = 0;
        int off = 0;
        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 = 0; i < len; i++) {
            h = (30 + 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));
      
      }
     */

}