布隆过滤器（Bloom Filter）在网络爬虫中的应用

1.  维基百科

    a：基本思想

如果想判断一个元素是不是在一个集合里，一般想到的是将所有元素保存起来，然后通过比较确定。链表、树、散列表（又叫哈希表，Hash table）等等数据结构都是这种思路，。但是随着集合中元素的增加，我们需要的存储空间越来越大。同时检索速度也越来越慢，上述三种结构的检索时间复杂度分别为。

布隆过滤器的原理是，当一个元素被加入集合时，通过K个Hash函数将这个元素映射成一个位阵列（Bit array）中的K个点，把它们置为1。检索时，我们只要看看这些点是不是都是1就（大约）知道集合中有没有它了：如果这些点有任何一个0，则被检索元素一定不在；如果都是1，则被检索元素很可能在。这就是布隆过滤器的基本思想。

   b：优点

相比于其它的数据结构，布隆过滤器在空间和时间方面都有巨大的优势。布隆过滤器存储空间和插入/查询时间都是常数（）。另外, Hash函数相互之间没有关系，方便由硬件并行实现。布隆过滤器不需要存储元素本身，在某些对保密要求非常严格的场合有优势。

布隆过滤器可以表示全集，其它任何数据结构都不能；

和相同，使用同一组Hash函数的两个布隆过滤器的交并差运算可以使用位操作进行。

   c：缺点

但是布隆过滤器的缺点和优点一样明显。误算率是其中之一。随着存入的元素数量增加，误算率随之增加。但是如果元素数量太少，则使用散列表足矣。

另外，一般情况下不能从布隆过滤器中删除元素. 我们很容易想到把位列阵变成整数数组，每插入一个元素相应的计数器加1, 这样删除元素时将计数器减掉就可以了。然而要保证安全的删除元素并非如此简单。首先我们必须保证删除的元素的确在布隆过滤器里面. 这一点单凭这个过滤器是无法保证的。另外计数器回绕也会造成问题。

2. 在网络爬虫中的应用

布隆过滤器的优劣主要与哈希函数的质量相关，而且哈希函数之间的相关度越小越好，每个哈希函数本身的计算过程不要太复杂，不然会影响效率。理想情况下是取k个完全不相关的哈希函数，在不是很严格情况下，也可以通过一个哈希函数的参数变化产生k个不同的哈希函数，比如将i（1≤i≤k）作为参数参与哈希函数的计算。

不同的应用场景，哈希函数的设计方法不同。在网络爬虫的设计中，一般采用MD5算法来构造哈希函数。把要过滤的地址哈希到一片很大的位地址空间。

1、把要过滤的地址哈希到一片很大的位地址空间，关键是把字符串的每一位字符根据一定的规则哈希到某个地址，并把内容设为True

2、当一个网址达到时，只需要根据同样的规则进行哈希到各个位，看是否每一位都为True,若是则说明这个地址是要过滤的，否则不是

 

如下图：