爬取网页时，url去重是重要一环，这样可以避免重复抓取。
1、url保存在数据库中（效率低）
2、将url保存在set中，但对内存要求高。若有1亿网页，则占用内存为：
100000000*2byte*50个字符/1024/1024/1024=9G
3、url经过md5等方法哈希后保存到set中（对2的改进，可以成倍降低内存占用）。Scrapy使用的这种方法
4、用bitmap方法，将访问过的url通过hash函数映射到某一位。
5、bloomfilter方法对bitmap进行改进，多重hash函数降低冲突
Python爬虫学习4-url去重方法
最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
【社区内容提示】社区部分内容疑似由AI辅助生成，浏览时请结合常识与多方信息审慎甄别。
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。
【社区内容提示】社区部分内容疑似由AI辅助生成，浏览时请结合常识与多方信息审慎甄别。
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。
