- 1、本文档共6页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
基于 B loom Filte r的大规模网页去重策略研究
总第 162 期 2008年 第 3期
基于 B loom Filter的大规模网页去重策略研究
1 2 2
丁振国 吴宝贵 辛友强
1 (西安电子科技大学网络教育学院 西安 7 1007 1)
2
(西安电子科技大学经济管理学院 西安 7 1007 1)
【摘要 】针对大规模信息采集 ,运用 B loom Filter及其改进算法 ,在误差允许的条件下 ,通过 URL 散列运算可以有
效地对同源网页进行去重 。实践证明,通过对其参数进行合理的调整 ,可以达到满意的结果 。
【关键词 】布隆过滤器 散列函数 URL 网页去重
【分类号 】TP391. 3
Research of Large - sca le URL F ilter Ba sed on Bloom F ilter
1 2 2
D ing Zhenguo W u B aogu i X in Youqiang
1 ( College of N etwork ing Education , X idian Un iversity, X i ’an 7 1007 1, Ch ina)
2 ( Collegel of Econom ics and M anagem ent, X idian Un iversity, X i ’an 7 1007 1, Ch ina)
【Ab stract 】On the condition of error allow ing, the B loom Filter and its imp rovab le algorithm , can be u sed to filter the ho
mology URL p age s through URL H a sh ing. Exp erim ent show s that it can ach ieve satisfactory resu lts through reasonab le ad
ju stm ents of its p aram eter.
【Keywords】B loom filter H a sh function URL URL filter
1 引 言
W eb 信息的采集 ,通常是利用网络爬虫等工具去遍历万维网,它把万维网看作一个以网页为节点 , 网页间链
接为边的超大规模有向图,然后利用图的遍历算法对万维网进行遍历 。在网络遍历的过程中, 需要判断待采集的
(
页面是否已经采集过了,这就需要把已经采集的网页地址记录下来 , 组成已采集网页地址集合 记为 : visited -
set) ,当新的采集开始之前 ,首先判断其地址是否在 visited - set 中,如在其中,表示网页已经采集 ,否则采集网页 ,
把网页地址放在 visited - set 中,从而避免网页的重复采集 ,浪费资源 。为了实现集合中数据的快速查找 , 需要把
URL 映射为集合中的地址 ,这就需要设计一种高效且冲突率低的散列算法 ; 同时由于万维网上网页数据的巨大
(一份报告指出,截至 2005 年 1月 , 网页数量至少达到 115 亿 [ 1 ] ) ,普通的 Ha sh 算法已经不能满足空间的要求 ,所
以更需要一种节约空间的算法 。
本文运用 B loom Filter算法设计了一种节省空间的大规模数据表示和查找算法 , 以应对海量信息采集的需求 。
2 B loom F ilter算法
2. 1 Bloom F ilter算法简介
B loom F ilter是由巴顿布隆于 1970 年提出的[ 2 ] ,它实现的基础是一个很长的二进制位向量和一系列随机散
文档评论(0)