网络爬虫-url索引

网络爬虫-url索引

http://www.cnblogs.com/yuandong/archive/2008/08/28/Web_Spider_Url_Index.html

url索引的作用是判断一个url是否被抓取过，采用的算法主要是MD5数字签名。

假设一共要抓取的url不超过1亿条，用一个二进制的位表示一个url是否被抓取过，则至少需要1亿个位，我们管每一个位叫一个“槽”。考虑到MD5的算法是可能出现冲突（即不同的url算出来的MD5可能相同，这种概率很小），槽越少，冲突越明显，所以槽越多越好。但另一方面，还要考虑到占用内存的大小，因为在抓取的过程中，为了保证效率，所有的槽都需要载入内存。目前我使用的是2的28次方，即32M，相当于268435456（2.6亿）个槽。

当要判断一个url是否已经抓取过的时候，只要判断该url经过MD5签名后的值所对应的槽是否标记为1即可。例如给出的url是：http://www.ouc.edu.cn/，经过128位的MD5签名后，得出的1073542761，则需要判断的就是第1073542761个槽是0还是1。同样的道理，当完成一个url的抓取后，要将对应的槽标记为1。

存储槽的32M空间在内存是不连续的，因为操作系统很难划分出32M的连续内存空间，所以将其分为4096个段Segment，每段2048个32位整数，32*2048*4096=268435456。相当于一个整型的二维数组。

我们使用32位的MD5作为签名，表示为一个整数。这个整数分为三部分，分别是段地址、段偏移和值地址。第5-16位表示段地址，17-27位表示段偏移，28-32位（最后5位，取值范围为2的5次方，即0-31）表示在整形值中的位置、即值地址。

当给定一个url的MD5值时，通过以下函数计算出其段地址：

unsigned short get_segment_index(unsigned int md5) {

    //5-16位表示段地址

    unsigned short result;
    bzero(&result, sizeof(unsigned short));
    memcpy(&result, ((char*)&md5) + 2, sizeof(unsigned short));

    return result & 0x0FFF;
}

通过以下函数计算出其段偏移：

unsigned short get_segment_offset(unsigned int md5) {

    //17-27位表示段偏移

    unsigned short result;
    bzero(&result, sizeof(unsigned short));
    memcpy(&result, ((char*)&md5), sizeof(unsigned short));

    return result >> 5;
}

通过以下函数计算其值偏移：

unsigned int get_value(unsigned int md5) {

    //28-32（最后5位）为表示值

    unsigned int result = 1;
    return result << (md5 & 0x0000001F);
}

再得到段地址、段偏移和值偏移后，就通过一下函数判定该Url是否已被抓取：

bool is_url_crawled(char* url) {

    //将给出的url进行md5运算，取得对应的Value，于储存的Value按位与

    unsigned int url_md5 = md5(url);
    unsigned short segment_index = get_segment_index(url_md5);
    unsigned short segment_offset = get_segment_offset(url_md5);
    unsigned int value = get_value(url_md5);

    unsigned int result = (unsigned int)
                                 (url_index[segment_index][segment_offset] & value);

    return result > 0 ? TRUE : FALSE;
}

如果未被抓取，在完成抓取后，通过以下函数标记为已抓取：

int mark_url_as_crawled(char* url) {

    //取得段地址、段偏移和url对应的值
    unsigned int url_md5 = md5(url);
    unsigned short segment_index = get_segment_index(url_md5);
    unsigned short segment_offset = get_segment_offset(url_md5);
    unsigned int value = get_value(url_md5);

    //通过按位或标记url对应的位为已抓取
    url_index[segment_index][segment_offset] |= value;

    //同步写入索引文件
    value = url_index[segment_index][segment_offset];
    long offset = (((long)segment_index) * SEGMENT_LENGTH + segment_offset)
                            * sizeof(unsigned int);
    if(fseek(index_file, offset, SEEK_SET) != 0)
        return -1;

    if(fwrite(&value, sizeof(unsigned int), 1, index_file) != 1)
        return -1;

    fflush(index_file);
    return 0;
}