推荐学习书目
› Learn Python the Hard Way
Python Sites
› PyPI - Python Package Index
› http://diveintopython.org/toc/index.html
› Pocoo
值得关注的项目
› PyPy
› Celery
› Jinja2
› Read the Docs
› gevent
› pyenv
› virtualenv
› Stackless Python
› Beautiful Soup
› 结巴中文分词
› Green Unicorn
› Sentry
› Shovel
› Pyflakes
› pytest
Python 编程
› pep8 Checker
Styles
› PEP 8
› Google Python Style Guide
› Code Style from The Hitchhiker's Guide
关于爬虫去重算法 BloomFilter 和 simhash 这两个哪一个更好？
monburan · monburan · 2017-01-18 17:34:42 +08:00 · 3821 次点击这是一个创建于 2869 天前的主题，其中的信息可能已经有所发展或是发生改变。
rt
想要通过使用算法实现判断相似的 url 来去除结构相似的页面，减少后续功能的工作量。
现在看到网上推荐的爬虫去重有 BloomFilter 和 simhash 。
之前没有接触过去重这块的知识，有没有用过这两种算法的 V 友，或者说有更好的方法实现去重的，给点建议
 |
1
knightdf 2017-01-18 17:46:34 +08:00  1
url 就用 bloomfilter, 如果是页面内容可以用 LSH
|
 |
3
binux 2017-01-18 17:54:41 +08:00 2
BloomFilter 个 simhash 不是一类东西，要怎么放在一起比较？
bloomfilter 是用来降低去重空间复杂度的。 simhash 是用来降低相似度比较复杂度的。 根本不是一个东西。而且，这两个东西 bloomfilter ，如果你的 url 数小于 10 亿，不用考虑 bloomfilter ，直接数据库去重。 simhash ， url 文本空间太小，不好使。用去除无用参数解决。 |
 |
5
sleshep 2017-01-19 17:44:17 +08:00
bloomfilter 生产环境用过，有个很难受的地方就是，你无法从历史数据里删除某个 url
|
Select Language