爬虫数据去重

Posted 2021-01-22 zhiliang9408

使用数据库建立关键字段（一个或者多个）建立索引进行去重

根据url地址进行去重

使用场景：url地址对应的数据不会变的情况，url地址能够唯一判别一条数据的情况

思路：

　　url存在Redis中

　　拿到url地址，判断url在Redis的集合中是否存在

　　　　存在：说明url地址已经被请求过了，不在请求

　　　　不存在：说明url地址没有被请求过，请求，把该url地址存入Redis的集合中

布隆过滤器：

　　使用多个加密算法加密url地址，得到多个值

　　往对应值的位置把结果设置为1

　　新来的一个url地址，一样通过加密算法生成多个值

　　　　如果对应位置的值全为1，说明这个url地址已经被抓取过了

　　　　否则没有被抓取过，就把对应的位置的值设置为1

根据数据本身进行去重：

　　选择特定的字段（能够唯一标识数据的字段），使用加密算法（MD5，sha1）将字段进行加密，生成字符串，存入Redis的集合中

　　后续新来一条数据，同样的方式进行加密，

　　　　如果得到的字符串在Redis中存在，说明数据存在，对数据进行更新，

　　　　否则说明数据不存在，对数据进行插入。