爬蟲技術之——bloom filter（含java代碼）

　　在爬蟲系統中，在內存中維護着兩個關於URL的隊列，ToDo隊列和Visited隊列，ToDo隊列存放的是爬蟲從已經爬取的網頁中解析出來的即將爬取的URL，但是網頁是互聯的，很可能解析出來的URL是已經爬取到的，因此需要VIsited隊列來存放已經爬取過的URL。當爬蟲從ToDo隊列中取出一個URL的時候，先和Visited隊列中的URL進行對比，確認此URL沒有被爬取后就可以下載分析來。否則舍棄此URL，從Todo隊列取出下一個URL繼續工作。

　　然后，我們知道爬蟲在爬取網頁時，網頁的量是比較大的，直接將所有的URL直接放入Visited隊列是很浪費空間的。因此引入bloom filter！

（關於使用bloomfilter的原因：

visited隊列中url過多，消耗內存空間是一方面。還有一個重要的原因，在從todo隊列中取出一個新的URL時，必須和 visited中所有URL比較，確保沒有處理過。那么如果直接比較的話，是要比較N（visited中所有url個數）次的，而且這個N相當大，效率明 顯不夠。采用bloom filter，最多只要比較K（我在文章中寫的，相互獨立的散列函數的個數）次，因為只要一個散列函數的散列值對應的位是0，就可以確定這個URL沒有處 理過。

）

　　我們把bloom filer設置為m個bit，全部初始為0。

　　對每一個URL，進行K（K<m）次相互獨立的哈希，一共得到K個值，將這K個值在bloom filter中對應的bit位置1。

　　經過上述處理的bloom filter實際上構成了我們所說的Visited隊列，當我們從ToDo隊列中取出一個新的URL時，同樣，進行相同的K次哈希，每進行一次哈希，查看bloom filter中對應位，只要發現某位是0，就可以確定這個URL是沒有處理過的，可以繼續下載處理。

　　那么，原理清楚之后，還有幾個問題沒有解決。

　　1、bloom filter是有可能發生錯誤的，因為不處理碰撞，也就是說，有可能把不屬於這個集合的元素誤認為屬於這個集合

　　錯誤率的計算：

　　在n個URL都進行k次散列加入之后，bloomfilter中某位是0的概率

　 　　

　　錯誤率（即一個新的URL恰好k次散列的值對應的位都已經是1的概率）

　　　

　　2、哈希函數個數K的確定

　　k = ln2· (m/n)時（具體數學分析見http://blog.csdn.net/jiaomeng/article/details/1495500）

　　3、bloomfilter位數M的確定

　　我們可以想到，M的大小越大，錯誤率就會越小，但是數學證明給出了一個下界。即M = log₂ e N = 1.44N。

　　附上java代碼

/**屈永泉 布隆過濾器 快速確定哪些網頁已經被下載過*/

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) { // 產生八個隨機數並返回
        int[] randomsum = new int[8];
        for (int i = 0; i < 8; i++)
            randomsum[0] = hashCode(key, i + 1);
        return randomsum;
    }
   
    // 將一個URL加入
    public synchronized void add(String key) {
        int keyCode[] = lrandom(key);
        for (int i = 0; i < 8; i++)
            bits.set(keyCode[i]); // 將指定索引處的位設置為 true
        }
    }

    // 判斷一個URL是否存在
    public boolean exist(String key) {
        int keyCode[] = lrandom(key);
        if (bits.get(keyCode[0])
                && bits.get(keyCode[1]) // 返回指定索引處的位值。
                && 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(); // 將此URl轉換為一個新的字符數組
        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));
      
      }
     */

}