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！
　　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

1 /**屈永泉 布隆过滤器 快速确定哪些网页已经被下载过*/
2
3 package crawler;
4
5 import java.util.BitSet;
6
7 public class BloomFilter {
8     private int defaultSize = 5000 << 10000;
9     private int basic = defaultSize - 1;
10     private BitSet bits = new BitSet(defaultSize);
11
12     private int[] lrandom(String key) { // 产生八个随机数并返回
13         int[] randomsum = new int[8];
14         for (int i = 0; i < 8; i++)
15             randomsum[0] = hashCode(key, i + 1);
16         return randomsum;
17     }
18
19     // 将一个URL加入
20     public synchronized void add(String key) {
21         int keyCode[] = lrandom(key);
22         for (int i = 0; i < 8; i++)
23             bits.set(keyCode[i]); // 将指定索引处的位设置为 true
24         }
25     }
26
27     // 判断一个URL是否存在
28     public boolean exist(String key) {
29         int keyCode[] = lrandom(key);
30         if (bits.get(keyCode[0])
31                 && bits.get(keyCode[1]) // 返回指定索引处的位值。
32                 && bits.get(keyCode[2]) && bits.get(keyCode[3])
33                 && bits.get(keyCode[4]) && bits.get(keyCode[5])
34                 && bits.get(keyCode[6]) && bits.get(keyCode[7])) {
35             return true;
36         }
37         return false;
38     }
39
40
41     private int hashCode(String key, int Q) {
42         int h = 0;
43         int off = 0;
44         char val[] = key.toCharArray(); // 将此URl转换为一个新的字符数组
45         int len = key.length();
46         for (int i = 0; i < len; i++) {
47             h = (30 + Q) * h + val[off++];
48         }
49         return basic & h;
50     }
51
52
53      /* public static void main(String[] args) { // TODO Auto-generated method
54       long pre = 0;
55       long post = 0;
56       pre = System.nanoTime();
57           BloomFilter f = new BloomFilter(); //初始化
58       f.add("http://www.agrilink.cn/"); f.add("http://www.baidu.com/");
59       System.out.println(f.exist("http://www.baidu.com/"));
60       System.out.println(f.exist("http://www.baidud.com/"));
61       post = System.nanoTime();
62       System.out.println("Time: " + (post - pre));
63
64       }
65      */
66
67 }