想做好網(wǎng)站收錄，一定要了解去重算法和指紋算法，只有這樣才能更好地做好原創(chuàng)網(wǎng)頁(yè)，幫助網(wǎng)站促進(jìn)收錄，提升排名。對(duì)一個(gè)新的網(wǎng)頁(yè)，爬蟲程序通過(guò)網(wǎng)頁(yè)去重算法，最終決定是否對(duì)其索引。
網(wǎng)頁(yè)布局格式
一、近似重復(fù)網(wǎng)頁(yè)類型，根據(jù)文章內(nèi)容和網(wǎng)頁(yè)布局格式的組合分為4種形式：
1、兩篇文檔在內(nèi)容和布局格式上毫無(wú)區(qū)別，則這種重復(fù)稱為完全重復(fù)頁(yè)面。
2、兩篇文檔內(nèi)容相同，但布局格式不同，則這種重復(fù)稱為內(nèi)容重復(fù)頁(yè)面。
3、兩篇文檔有部分重要的內(nèi)容相同，并且布局格式相同，則這種重復(fù)稱為布局重復(fù)頁(yè)面。
4、兩篇文檔有部分重要內(nèi)容相同，但布局格式不同，則這種重復(fù)稱為部分重復(fù)頁(yè)面。
二、重復(fù)網(wǎng)頁(yè)對(duì)搜索引擎的不利影響：
正常情況下，非常相似的網(wǎng)頁(yè)內(nèi)容不能或只能給用戶提供少量的新信息，但在對(duì)爬蟲進(jìn)行抓取、索引和用戶搜索會(huì)消耗大量的南朗鎮(zhèn)服務(wù)器資源。
三、重復(fù)網(wǎng)頁(yè)對(duì)搜索引擎的好處：
如果某個(gè)網(wǎng)頁(yè)重復(fù)性很高，往往是其內(nèi)容比較比較受歡迎的一種體現(xiàn)，也預(yù)示著該網(wǎng)頁(yè)相對(duì)比較重要。應(yīng)予以優(yōu)先收錄。當(dāng)用戶搜索時(shí)，在輸出結(jié)果排序時(shí)，也應(yīng)給與較高的權(quán)重。
四、重復(fù)文檔的處理方式：
1、刪除
2、將重復(fù)文檔分組
五、 SimHash文檔指紋計(jì)算方法 ：
1、從文檔中提取具有權(quán)值的特征集合來(lái)表示文檔。如：假設(shè)特征都是由詞組成的，詞的權(quán)值由詞頻TF來(lái)確定。
2、對(duì)每一個(gè)詞，通過(guò)哈希算法生成N位（通常情況是64位或更多）的二進(jìn)制數(shù)值,如上圖，以生成8位的二進(jìn)制值為例。每個(gè)詞都對(duì)應(yīng)各自不同的二進(jìn)制值。
3、在N維（上圖為8維）的向量V中，分別對(duì)每維向量進(jìn)行計(jì)算。如果詞相應(yīng)的比特位的二進(jìn)制數(shù)值為1，則對(duì)其特征權(quán)值進(jìn)行加法運(yùn)算；如果比特位數(shù)值為0，則進(jìn)行減法運(yùn)算，通過(guò)這種方式對(duì)向量進(jìn)行更新。
4、當(dāng)所有的詞都按照上述處理完畢后，如果向量V中第i維是正數(shù)，則將N位的指紋中第i位設(shè)置為1，否則為0。
一般的，我們想抓取一個(gè)網(wǎng)站所有的URL，首先通過(guò)起始URL，之后通過(guò)網(wǎng)絡(luò)爬蟲提取出該網(wǎng)頁(yè)中所有的URL鏈接，之后再對(duì)提取出來(lái)的每個(gè)URL進(jìn)行爬取，提取出各個(gè)網(wǎng)頁(yè)中的新一輪URL，以此類推。整體的感覺就是自上而下進(jìn)行抓取網(wǎng)頁(yè)中的鏈接，理論上來(lái)看，可以抓取整站所有的鏈接。但是問題來(lái)了，一個(gè)網(wǎng)站中網(wǎng)頁(yè)的鏈接是有環(huán)路的。
首先介紹一個(gè)簡(jiǎn)單的思路，也是經(jīng)常用的一個(gè)通用思路。我們將已經(jīng)爬取過(guò)的網(wǎng)頁(yè)放到一個(gè)列表中去，以首頁(yè)為例，當(dāng)首頁(yè)被抓取之后，將首頁(yè)放到列表中，之后我們抓取子網(wǎng)頁(yè)的時(shí)候，如果再次碰到了首頁(yè)，而首頁(yè)已經(jīng)被抓取過(guò)了，此時(shí)就可以跳過(guò)首頁(yè)，繼續(xù)往下抓取其他的網(wǎng)頁(yè)，而避開了將首頁(yè)重復(fù)抓取的情況，這樣下來(lái)，爬取整站就不會(huì)出現(xiàn)一個(gè)環(huán)路。
第一種以這個(gè)思路為出發(fā)點(diǎn)，將訪問過(guò)的URL保存到數(shù)據(jù)庫(kù)中，當(dāng)獲取下一個(gè)URL的時(shí)候，就去數(shù)據(jù)庫(kù)中去查詢這個(gè)URL是否已經(jīng)被訪問過(guò)了。雖然數(shù)據(jù)庫(kù)有緩存，但是當(dāng)每個(gè)URL都去數(shù)據(jù)庫(kù)中查詢的話，會(huì)導(dǎo)致效率下降的很快，所以這種策略用的并不多，但不失為最簡(jiǎn)單的一種方式。
第二種方式是將訪問過(guò)的URL保存到set中去，通過(guò)這樣方式獲取URL的速度很快，基本上不用做查詢。但是這種方法有一個(gè)缺點(diǎn)，將URL保存到set中，實(shí)際上是保存到內(nèi)存中，當(dāng)URL數(shù)據(jù)量很大的時(shí)候（如1億條），會(huì)導(dǎo)致內(nèi)存的壓力越來(lái)越大。對(duì)于小型的爬蟲來(lái)說(shuō)，這個(gè)方法十分可取，但是對(duì)于大型的網(wǎng)絡(luò)爬蟲，這種方法就難以企及了。
第三種方式是將字符進(jìn)行md5編碼，md5編碼可以將字符縮減到固定的長(zhǎng)度。一般來(lái)說(shuō)，md5編碼的長(zhǎng)度約為128bit，約等于16byte。在未縮減之前，假設(shè)一個(gè)URL占用的內(nèi)存大小為50個(gè)字節(jié)，一個(gè)字節(jié)等于2byte，相當(dāng)于100byte。由此可見，進(jìn)行md5編碼之后，節(jié)約了大量的內(nèi)存空間。通過(guò)md5的方式可以將任意長(zhǎng)度的URL壓縮到同樣長(zhǎng)度的md5字符串，而且不會(huì)出現(xiàn)重復(fù)的情況，達(dá)到去重的效果。通過(guò)這種方式很大程度上節(jié)約了內(nèi)存，scrapy框架采取的方式同md5方式有些類似，所以說(shuō)scrapy在正常情況下，即使URL的數(shù)量級(jí)達(dá)到了上億級(jí)別，其占用的內(nèi)存比起set方式也要少得多。
第四種方式是使用bitmap方法將字符進(jìn)一步壓縮。這種方式的意思是在計(jì)算機(jī)中申請(qǐng)8個(gè)bit，即8個(gè)位，每個(gè)位由0或者1表示，這是計(jì)算機(jī)中最小的單元。8個(gè)位組成1個(gè)byte，一個(gè)位代表一個(gè)URL的話，為什么一個(gè)位可以確定一個(gè)URL呢？因?yàn)槲覀兛梢詫⒁粋€(gè)URL進(jìn)行一個(gè)哈希函數(shù)，然后將其映射到位上面去。舉個(gè)栗子，假設(shè)我們有8個(gè)URL，分別對(duì)應(yīng)8個(gè)位，然后通過(guò)位上面的0和1的狀態(tài)，便可以表明這個(gè)URL是否存在，通過(guò)這種方法便可以進(jìn)一步的壓縮內(nèi)存。但是bitmap方法有一個(gè)非常大的缺點(diǎn)，就是它的沖突會(huì)非常高，因?yàn)橥靡粋€(gè)哈希函數(shù)，極有可能將兩個(gè)不同的URL或者多個(gè)不同的URL映射到一個(gè)位置上來(lái)。實(shí)際上這種哈希的方法，它也是set方式的一種實(shí)現(xiàn)原理，它將URL進(jìn)行一種函數(shù)計(jì)算，然后映射到bit的位置中去，所以這種方式對(duì)內(nèi)存的壓縮是非常大的。簡(jiǎn)單的來(lái)計(jì)算一下，還是以一億條URL來(lái)進(jìn)行計(jì)算，相當(dāng)于一億個(gè)bit，通過(guò)計(jì)算得到其相當(dāng)于12500000byte，除以1024之后約為12207KB，大概是12MB的空間。在實(shí)際過(guò)程中內(nèi)存的占用可能會(huì)比12MB大一些，但是即便是如此，相比于前面三種方法，這種方式以及大大的減少了內(nèi)存占用的空間了。但是與此同時(shí)，該方法產(chǎn)生沖突的可能性是非常大的，所以這種方法也不是太適用的。那么有沒有方法將bitmap這種對(duì)內(nèi)存濃重壓縮的方法做進(jìn)一步優(yōu)化，讓沖突的可能性降下來(lái)呢？答案是有的，就是第五種方式。
第五種方式是bloomfilter，該方法對(duì)bitmap進(jìn)行改進(jìn)，它可以通過(guò)多個(gè)哈希函數(shù)減少?zèng)_突的可能性。通過(guò)這種方式，一方面它既可以達(dá)到bitmap方法減少內(nèi)存的作用，另一方面它又同時(shí)起到減少?zèng)_突的作用。關(guān)于bloomfilter原理及其實(shí)現(xiàn)，后期肯定會(huì)給大家呈上，今天先讓大家有個(gè)簡(jiǎn)單的認(rèn)識(shí)。Bloomfilter適用于大型的網(wǎng)絡(luò)爬蟲，尤其是數(shù)量級(jí)超級(jí)大的時(shí)候，采用bloomfilter方法可以起到事半功倍的效果，其也經(jīng)常和分布式爬蟲共同配合，以達(dá)到爬取的目的。
以上文章來(lái)源于網(wǎng)絡(luò)，如有侵權(quán)請(qǐng)聯(lián)系創(chuàng)一網(wǎng)的客服處理。謝謝！
地 址：深圳市福田區(qū)皇崗卓越世紀(jì)中心四號(hào)樓2909
E-mail：mxf@szcew.com
網(wǎng) 址：www.ultra-do.com