1）
使用scrapy自帶的set集合去重，當程序結束的時候會被清空，缺點：再次運行會導致數據重復。
2）
使用mysql做去重，對url地址進行md5，base64加密，加密之后會得到一串字符，判斷字符串
是否在mysql表中，如果在表示已經爬取過了，如果不在，表示沒有爬取，執行請求，將加密后的url
地址存入表中。缺點： 但是這個方法對mysql壓力過大，導致崩潰，不推薦
3）
使用scrapy_redis的去重策略,會將已經爬取的url地址經過編碼后存入redis,並且會做數據持久化,當爬蟲再次啟動時,會重新加載本地的數據,對爬蟲的url做去重。缺點：如果數據量較大的時候，會占用較多的內存空間
4）
使用布隆去重,采用多重哈希,將url地址映射到位陣列中的某個點上,空間和時間利用率更高(推薦)
如果想判斷一個元素是不是在一個集合里，一般想到的是將所有元素保存起來，然后通過比較確定。鏈表，樹等等數據結構都是這種思路. 但是隨着集合中元素的增加，我們需要的存儲空間越來越大，檢索速度也越來越慢。不過世界上還有一種叫作散列表（又叫哈希表，Hash table）的數據結構。它可以通過一個Hash函數將一個元素映射成一個位陣列（Bit Array）中的一個點。這樣一來，我們只要看看這個點是不是 1 就知道可以集合中有沒有它了。這就是布隆過濾器的基本思想。
Hash面臨的問題就是沖突。假設 Hash 函數是良好的，如果我們的位陣列長度為 m 個點，那么如果我們想將沖突率降低到例如 1%, 這個散列表就只能容納 m/100 個元素。顯然這就不叫空間有效了（Space-efficient）。解決方法也簡單，就是使用多個 Hash，如果它們有一個說元素不在集合中，那肯定就不在。如果它們都說在，雖然也有一定可能性它們在說謊，不過直覺上判斷這種事情的概率是比較低的。
布隆去重的優點和缺點
優點
相比於其它的數據結構，布隆過濾器在空間和時間方面都有巨大的優勢。布隆過濾器存儲空間和插入/查詢時間都是常數。另外, Hash 函數相互之間沒有關系，方便由硬件並行實現。布隆過濾器不需要存儲元素本身，在某些對保密要求非常嚴格的場合有優勢
缺點
但是布隆過濾器的缺點和優點一樣明顯。誤算率（False Positive）是其中之一。隨着存入的元素數量增加，誤算率隨之增加。但是如果元素數量太少，則使用散列表足矣。
---------------------
作者：一篇藍天
來源：CSDN
原文：https://blog.csdn.net/qq_41676216/article/details/80830036
版權聲明：本文為博主原創文章，轉載請附上博文鏈接！