亚洲国产AV一区二区三区久久_乱人妻中文字幕视频_91麻豆精品国产一级_精品国产欧美另类一区

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，幫助網(wǎng)站促進(jìn)收錄，提升排名。對一個(gè)新的網(wǎng)頁，爬蟲程序通過網(wǎng)頁去重算法，最終決定是否對其索引。

網(wǎng)頁布局格式

    一、近似重復(fù)網(wǎng)頁類型，根據(jù)文章內(nèi)容和網(wǎng)頁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區(qū)別，則這種重復(fù)稱為完全重復(fù)頁面。

    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)頁面。

    二、重復(fù)網(wǎng)頁對搜索引擎的不利影響：

    正常情況下，非常相似的網(wǎng)頁內(nèi)容不能或只能給用戶提供少量的新信息，但在對爬蟲進(jìn)行抓取、索引和用戶搜索會(huì)消耗大量的微山服務(wù)器資源。

    三、重復(fù)網(wǎng)頁對搜索引擎的好處：

    如果某個(gè)網(wǎng)頁重復(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)頁相對比較重要。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來確定。

    2、對每一個(gè)詞，通過哈希算法生成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，通過這種方式對向量進(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，首先通過起始URL，之后通過網(wǎng)絡(luò)爬蟲提取出該網(wǎng)頁中所有的URL鏈接，之后再對提取出來的每個(gè)URL進(jìn)行爬取，提取出各個(gè)網(wǎng)頁中的新一輪URL，以此類推。整體的感覺就是自上而下進(jìn)行抓取網(wǎng)頁中的鏈接，理論上來看，可以抓取整站所有的鏈接。但是問題來了，一個(gè)網(wǎng)站中網(wǎng)頁的鏈接是有環(huán)路的。

    首先介紹一個(gè)簡單的思路，也是經(jīng)常用的一個(gè)通用思路。我們將已經(jīng)爬取過的網(wǎng)頁放到一個(gè)列表中去，以首頁為例，當(dāng)首頁被抓取之后，將首頁放到列表中，之后我們抓取子網(wǎng)頁的時(shí)候，如果再次碰到了首頁，而首頁已經(jīng)被抓取過了，此時(shí)就可以跳過首頁，繼續(xù)往下抓取其他的網(wǎng)頁，而避開了將首頁重復(fù)抓取的情況，這樣下來，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)，將訪問過的URL保存到數(shù)據(jù)庫中，當(dāng)獲取下一個(gè)URL的時(shí)候，就去數(shù)據(jù)庫中去查詢這個(gè)URL是否已經(jīng)被訪問過了。雖然數(shù)據(jù)庫有緩存，但是當(dāng)每個(gè)URL都去數(shù)據(jù)庫中查詢的話，會(huì)導(dǎo)致效率下降的很快，所以這種策略用的并不多，但不失為最簡單的一種方式。

    第二種方式是將訪問過的URL保存到set中去，通過這樣方式獲取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)存的壓力越來越大。對于小型的爬蟲來說，這個(gè)方法十分可取，但是對于大型的網(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度。一般來說，md5編碼的長度約為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md5的方式可以將任意長度的URL壓縮到同樣長度的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scrapy在正常情況下，即使URL的數(shù)量級達(dá)到了上億級別，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，分別對應(yīng)8個(gè)位，然后通過位上面的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。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，所以這種方式對內(nèi)存的壓縮是非常大的。簡單的來計(jì)算一下，還是以一億條URL來進(jìn)行計(jì)算，相當(dāng)于一億個(gè)bit，通過計(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呢？答案是有的，就是第五種方式。

    第五種方式是bloomfilter，該方法對bitmap進(jìn)行改進(jìn)，它可以通過多個(gè)哈希函數(shù)減少?zèng)_突的可能性。通過這種方式，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)簡單的認(rèn)識。Bloomfilter適用于大型的網(wǎng)絡(luò)爬蟲，尤其是數(shù)量級超級大的時(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。

以上文章來源于網(wǎng)絡(luò)，如有侵權(quán)請聯(lián)系創(chuàng)一網(wǎng)的客服處理。謝謝！