最近在研究Python，想用Python写一个爬虫来爬数据。
爬虫有几个关键的地方，一个是防止如何递归地重复爬一个网址，一个就是页面信息的解析。
那么这里主要介绍一下如何通过bloom filter达到判断一个网址是否被爬过。
bloom filter的介绍refer：http://blog.csdn.net/jiaomeng/article/details/1495500
下面我们具体来看Bloom Filter是如何用位数组表示集合的。初始状态时，Bloom Filter是一个包含m位的位数组，每一位都置为0。
为了表达S={x1, x2,…,xn}这样一个n个元素的集合，Bloom Filter使用k个相互独立的哈希函数（Hash Function），它们分别将集合中的每个元素映射到{1,…,m}的范围中。对任意一个元素x，第i个哈希函数映射的位置hi(x)就会被置为1（1≤i≤k）。注意，如果一个位置多次被置为1，那么只有第一次会起作用，后面几次将没有任何效果。在下图中，k=3，且有两个哈希函数选中同一个位置（从左边数第五位）。
这个图我看的不是很明白，所以我自己画了一个图。
如果在Python下面使用bloom filter，可以导入一个包来使用。
http://sourceforge.net/projects/pybloom/
相关推荐
Redis 布隆（Bloom Filter）过滤器原理与实战 Redis 布隆（Bloom Filter）过滤器是一种space efficient的概率型数据结构，用于判断一个元素是否在集合中。布隆过滤器的原理是，首先分配一块内存空间做bit数组，数组...
布隆过滤器（Bloom Filter）是一种空间效率极高的概率型数据结构，用于判断一个元素是否可能在一个集合中。在大数据处理、缓存系统、分布式存储等领域有着广泛的应用。这个压缩包文件“bloom filter布隆过滤器学习...
**Python-bloomfilter过滤器详解** Bloom Filter是一种空间效率极高的概率型数据结构，用于判断一个元素是否在一个集合中。在Python开发中，尤其是在处理大量数据时，Bloom Filter可以有效地节省内存空间，尤其适用...
它是由 Burton Howard Bloom 在1970年提出的，主要应用于大数据存储和检索，尤其在数据库、缓存系统和网络搜索等领域有广泛应用。C# 版本的布隆过滤器实现了这一概念，通过使用八种不同的哈希函数来提高准确性和减少...
1. **网络应用**：在网络传输中，Bloom Filter可用于过滤垃圾邮件或阻止恶意网站访问。 2. **数据库索引**：在大规模数据库系统中，Bloom Filter可以用于快速判断某个键是否存在于数据库中，从而减少不必要的磁盘I/O...
4. **数据库优化**：在数据库中，Bloom Filter可以用来快速过滤掉不存在的数据项，从而减少磁盘I/O操作次数。 #### 五、现代变种 随着时间的推移，研究人员对Bloom Filter进行了多种改进，以适应不同的应用场景。...
BloomFilter<String> bloomFilter = BloomFilter.create(funnel, 100000, 0.03); bloomFilter.put("element1"); bloomFilter.put("element2"); System.out.println(bloomFilter.mightContain("element1")); //...
bloomfilter.js, 使用FNV的JavaScript bloom filter快速散列 Bloom过滤器This过滤器实现使用非加密 Fowler-Noll-Vo散列函数来实现速度。用法var bloom = new BloomFilter( 32 * 256,//number of bits to all
- **bloomfilter.h**：这是一个头文件，很可能包含了Bloom Filter的数据结构定义和相关操作函数的声明。在C语言中，头文件通常用于提供接口给其他源文件使用，这里可能是为了在spider.c中方便地调用Bloom Filter的...
Java 中实现布隆过滤器，通常可以使用开源库Guava提供的`com.google.common.hash.BloomFilter`类。Guava的布隆过滤器提供了灵活的参数配置，包括期望元素数量（expectedInsertions）和错误率（fpp，False Positive ...
为了解决这个问题，一种常见的方法是在KV存储系统中引入**Bloom Filter**来快速过滤掉不存在的键，从而减少不必要的磁盘访问。不过，传统的Bloom Filter设计通常采用统一的设置，并且缺乏动态调整的能力，这可能导致...
bloom-filter-scala, 用于 Scala的Bloom过滤器，最快的JVM Scala的 Bloom filter 概述Bloom过滤器是一种空间高效的数据结构，用于测试某个元素是否是集合的成员。 false 正匹配是可能的，但 false 负数不是。 ...
Java-BloomFilter, 在Java中，一个独立的Bloom过滤器 java-bloomfilterJava bloomfilter是一个独立于Java的Bloom过滤器实现。 它旨在在不需要额外库开销的情况下包含在现有项目中。 第一个版本是由 Ian的博客条目...
在传统的Bloom Filter中，它通常处理单一的关键字，而在“多字段矩阵型Bloom Filter”中，这一概念被扩展到了支持多个字段的情况，这使得它在处理复杂数据集时更具灵活性。 首先，我们要理解Bloom Filter的基本原理...
布隆过滤器（Bloom Filter）是一种空间效率极高的概率型数据结构，用于判断一个元素是否可能在一个集合中。它可能会误判，但不会漏判，即可能存在假阳性（False Positive），但绝不会有假阴性（False Negative）。...
布隆过滤器是一种高效的空间节省的数据结构，用于判断一个元素是否可能在一个集合中，但可能会产生一定的误判率。它由一个很长的二进制向量和多个独立的哈希函数组成。布隆过滤器的基本原理是，当一个元素被添加到...
布隆过滤器（Bloom Filter）是一种空间效率极高的概率数据结构，用于判断一个元素是否可能在一个集合中。它由布伦南·布隆在1970年提出，最初是为了解决查找问题中的空间效率问题。这篇论文资料集合涵盖了布隆过滤器...
Bloom filter是一个简明的空间效率极高的随机的数据结构。用Bloom filter 表示 cache 内容 ,可以高效地实现cache 协作。本文对BloomFilter及其改进型进行了综述性分析，探讨了它的实用性。