17370845950

直接用 set 存 URL 易致内存爆炸、无法持久化、不支持分布式，Bloom Filter 以可控误判率实现百倍空间压缩，支持序列化与多进程/分布式复用，是爬虫去重的架构刚需。

为什么直接用 set 存 URL 在爬虫里容易崩

内存爆炸是第一个信号：当爬取百万级 URL 时，set 存的是完整字符串，每个 URL 平均占 50–100 字节，千万级就轻松吃掉 1GB+ 内存；第二个问题是进程重启后清空，无法跨运行持久去重；第三个是分布式场景下，set 根本不共享。这些都不是“优化问题”，而是架构瓶颈。

这时候 Bloom Filter 不是“锦上添花”，而是刚需——它用固定内存（比如 100MB）就能支撑上亿次判重，且支持序列化保存、多进程复用、甚至可嵌入 Redis。

• set 判重：精确但重，O(1) 时间但 O(N) 空间
• Bloom Filter：有极小误判率（0.1% 可控），但空间压缩百倍，支持持久化
• 误判只发生在“已存在”判成“不存在”（漏判）？错——Bloom Filter 只会把“不存在”误判为“已存在”（假阳性），不会漏抓，对爬虫安全

Python 里怎么选 Bloom Filter 实现

别直接手写，优先用成熟封装。主流三个库行为差异明显：

• pybloom_live：纯 Python，支持动态扩容，BloomFilter 类可直接 pickle 序列化，适合单机多进程共享同一个 filter 文件
• redisbloom：需要 Redis 服务，用 BF.ADD/BF.EXISTS，天然支持分布式，但网络 IO 成为瓶颈点
• mmh3 + bitarray 手动组合：最轻量，可控性最强，但得自己管理容量和哈希次数，新手易设错 capacity 和 error_rate

单机中等规模（日抓 500 万内），推荐 pybloom_live；明确要多机器协同，且已有 Redis，用 redisbloom；追求极致性能且能压测调参，才上手动方案。

初始化参数怎么设才不翻车

两个参数决定一切：capacity（预估最大元素数）和 error_rate（允许的假阳性率）。设错会导致要么内存浪费，要么误判飙升。

• capacity 必须 ≥ 预期去重 URL 总数；设小了，插入后期假阳性率会指数上升，不是线性增长
• error_rate 建议从 0.01（1%）起步，实测发现 0.001（0.1%）对 1000 万 URL 也够用，再低就显著涨内存
• 例如：预计爬 800 万 URL，要求误判 ≤ 0.1%，用 pybloom_live 初始化应写：

  from pybloom_live import BloomFilter
  bf = BloomFilter(capacity=8_000_000, error_rate=0.001)

URL 去重前要不要标准化

必须做。原始 URL 看似不同，实际可能指向同一页面：https://example.com/?a=1&b=2 和 https://example.com/?b=2&a=1、带尾部斜杠与不带、大小写混用（部分服务器不区分）、# 锚点等。Bloom Filter 对字节敏感，不做归一化等于白加。

• 至少要做：转小写、移除 # 及之后内容、对 query string 按 key 排序并 urlencode
• 推荐用 urllib.parse 拆解再重组，别用正则硬切
• 示例标准化函数：

  from urllib.parse import urlparse, urlunparse, parse_qsl, urlencode
  
  def normalize_url(url):
      parsed = urlparse(url)
      query = urlencode(sorted(parse_qsl(parsed.query)))
      normalized = urlunparse((parsed.scheme, parsed.netloc.lower(),
                               parsed.path, parsed.params, query, ''))
      return normalized.lower()

漏掉标准化，Bloom Filter 的内存省得再漂亮，去重效果也接近随机。