- 相關(guān)推薦
網(wǎng)頁(yè)消重中多維布隆過(guò)濾器算法的運(yùn)用
布隆過(guò)濾器的原理，通過(guò)對(duì)原理、實(shí)現(xiàn)步驟進(jìn)行分析，得出此算法在網(wǎng)頁(yè)消重中的作用以及缺陷，以下是小編搜集整理的一篇探究網(wǎng)頁(yè)消重中多維布隆過(guò)濾器算法運(yùn)用的論文范文，歡迎閱讀查看。
引言
進(jìn)入21世紀(jì)以后，隨著電子計(jì)算機(jī)以及相關(guān)技術(shù)的迅猛發(fā)展和網(wǎng)絡(luò)通信設(shè)備的大量普及，互聯(lián)網(wǎng)的總體規(guī)模日益增大，日新月異的互聯(lián)網(wǎng)技術(shù)以及海量的互聯(lián)網(wǎng)信息也促進(jìn)了社會(huì)、經(jīng)濟(jì)和科技的高速發(fā)展，增加了人們獲取信息的渠道和速度。根據(jù)2015年11月的最新數(shù)據(jù)，互聯(lián)網(wǎng)上活動(dòng)網(wǎng)站的數(shù)量達(dá)到了902,997,800個(gè)[1].網(wǎng)站的快速增長(zhǎng)同時(shí)也意味著互聯(lián)網(wǎng)中信息的急速膨脹，這些信息有些是有用的、有些是沒(méi)用的、有些甚至完全是一些垃圾頁(yè)面。面對(duì)由于互聯(lián)網(wǎng)信息爆炸帶來(lái)的信息孤島、信息搜集困難等現(xiàn)象，人們發(fā)明了搜索引擎[2-4]以解決人們快速在互聯(lián)網(wǎng)中找到所求的需求。但是，由于搜索引擎的采集器是由程序自動(dòng)運(yùn)行的，所以在抓取網(wǎng)頁(yè)信息的同時(shí)，也會(huì)收集到很多重復(fù)網(wǎng)頁(yè)。因此，如果沒(méi)有一個(gè)高效的URL去重模塊，用以防止系統(tǒng)對(duì)已經(jīng)抓取過(guò)的網(wǎng)頁(yè)進(jìn)行重復(fù)抓取，浪費(fèi)寶貴的網(wǎng)絡(luò)帶寬和CPU時(shí)間，網(wǎng)絡(luò)爬蟲(chóng)系統(tǒng)必將不堪重負(fù)。
在眾多的URL去重技術(shù)中[5-7],布隆過(guò)濾器(BloomFilter)[8]是其中優(yōu)秀的一個(gè)，而其主要缺點(diǎn)在于較高的誤識(shí)別率，但若使用多維布隆過(guò)濾器進(jìn)行識(shí)別，可以大大降低誤識(shí)別率。本文充分利用多維布隆過(guò)濾器查詢(xún)快速、資源占有量少的特點(diǎn)，提出一種基于多維布隆過(guò)濾器的網(wǎng)頁(yè)搜索去重方法，并給出程序設(shè)計(jì)方案及偽代碼描述。
1布隆過(guò)濾器
在互聯(lián)網(wǎng)中，要查找一個(gè)URL是否己經(jīng)被抓取過(guò)，首先會(huì)想到的方法就是建立一個(gè)已抓取URL集合，然后查找新的URL是否存在已抓取URL集合中，如果用普通的順序查找法，效率顯然很低。而另一個(gè)比較簡(jiǎn)單的辦法是采取傳統(tǒng)的hash方法，即把每個(gè)URL看成一個(gè)元素，這就需要把每個(gè)元素存儲(chǔ)在hash表中。在每次發(fā)現(xiàn)一個(gè)新的元素時(shí)，首先會(huì)通過(guò)hash函數(shù)計(jì)算出這個(gè)元素的對(duì)應(yīng)位置，之后使用這個(gè)位置的元素與這個(gè)新元素進(jìn)行對(duì)比，如果兩者相同，就說(shuō)明這個(gè)新元素是重復(fù)的，反之則說(shuō)明這個(gè)新元素是還未保存過(guò)的。傳統(tǒng)的hash方法不會(huì)發(fā)生錯(cuò)誤，而且存在于hash表中的數(shù)據(jù)也可以隨時(shí)刪除。但是，對(duì)于網(wǎng)頁(yè)去重來(lái)說(shuō)，只需判斷一個(gè)特定的元素是否存在于集合中。因此，使用hash表保存下整個(gè)URL的內(nèi)容會(huì)造成很大的內(nèi)存浪費(fèi)，然而內(nèi)存資源有限，顯然傳統(tǒng)的hash方法不能很好的滿(mǎn)足需求。
布隆過(guò)濾器[9-11]是由HowardBloom在1970年提出的。他僅使用了一系列的bit位來(lái)保存數(shù)據(jù)，就可以檢測(cè)一個(gè)元素是否已經(jīng)存在于集合內(nèi)，因此這種算法有著很好的空間利用率。但是為了節(jié)約空間，這種算法也存在著一些問(wèn)題，它會(huì)對(duì)元素產(chǎn)生錯(cuò)判。不過(guò)慶幸的是，這個(gè)算法只會(huì)對(duì)在集合內(nèi)的元素產(chǎn)生錯(cuò)判，但是并不會(huì)對(duì)不在集合內(nèi)的元素產(chǎn)生錯(cuò)判。也就是說(shuō)，如果布隆過(guò)濾器返還的結(jié)果如果是false,說(shuō)明元素確實(shí)不在集合內(nèi);如果返還的是ture,只能說(shuō)明元素可能存在于集合中。因此布隆過(guò)濾器實(shí)際上是一種犧牲了正確率換取時(shí)間和空間的算法。
1.1布隆過(guò)濾器介紹
布隆過(guò)濾器的原理如下[12]:一個(gè)布隆過(guò)濾器由k個(gè)相互獨(dú)立的哈希函數(shù)h1,h2,…，hk(k值域?yàn)閇0,1,2,…，m],是整數(shù))和一個(gè)位向量組成，初始時(shí)，位向量?jī)?nèi)全部為0.當(dāng)需要插入一個(gè)新數(shù)據(jù)時(shí)，用k個(gè)哈希函數(shù)對(duì)n個(gè)數(shù)據(jù)對(duì)象的集合S={sl,s2,…，sn}(m>n)的某個(gè)數(shù)據(jù)對(duì)象計(jì)算一個(gè)地址序(hi(s1)，h2(sl)，…，hk(sl))，然后將位向量對(duì)應(yīng)地址序列的位置置為1,稱(chēng)該位向量裝入了s1.
對(duì)于查詢(xún)某個(gè)數(shù)據(jù)對(duì)象s2是否存在于集合時(shí)，同樣先檢查表示s2的位向量對(duì)應(yīng)該數(shù)據(jù)對(duì)象地址序列的位，如果均為1,則該數(shù)據(jù)對(duì)象屬于位向量集，否則不屬于位向量集。但是，即使是采用均勻的哈希函數(shù)，并且使用了多個(gè)不同的hash函數(shù)，地址沖突也是不能避免的，因此布隆過(guò)濾器算法可能對(duì)位向量中的同一個(gè)位多次置1.所以在進(jìn)行數(shù)據(jù)查詢(xún)時(shí)可能出現(xiàn)錯(cuò)判。關(guān)于布隆過(guò)濾器算法的缺點(diǎn)，會(huì)在1.3做詳細(xì)討論。
由以上分析可知，當(dāng)布隆過(guò)濾器算法用于URL去重時(shí)，由于每個(gè)地址不需要存儲(chǔ)URL內(nèi)容，只需存儲(chǔ)1或0.因此，每個(gè)地址只需要一個(gè)bit的空間。在每次網(wǎng)絡(luò)爬蟲(chóng)得到一個(gè)新的URL的時(shí)候，會(huì)先判斷這個(gè)元素是否屬于集合，此時(shí)會(huì)對(duì)該元素重新進(jìn)行多次哈希，當(dāng)哈希后所得的對(duì)應(yīng)位置都為1時(shí)，就判斷該元素已經(jīng)存在于集合中。那么就拋棄這個(gè)URL,反之，就保存這個(gè)URL,并且更新集合信息。具體原理圖如下圖1.
1.2布隆過(guò)濾器的優(yōu)點(diǎn)
布隆過(guò)濾器的優(yōu)點(diǎn)是空間效率和查詢(xún)時(shí)間都遠(yuǎn)遠(yuǎn)超過(guò)一般的算法。在占用空間上，布隆過(guò)濾器只需要哈希表1/8~1/4的大小就能解決同樣的問(wèn)題[13];更重要的是，在時(shí)間復(fù)雜度方面，布隆過(guò)濾器的查找時(shí)間為常數(shù)，不隨過(guò)濾器增大而變慢。
1.3布隆過(guò)濾器的缺點(diǎn)
由以上分析可知，布隆過(guò)濾器算法比起普通算法，在時(shí)間和空間利用率上有著明顯的優(yōu)勢(shì)，但是布隆過(guò)濾器算法也并非十全十美的，他存在著以下問(wèn)題：
(1)因?yàn)槔霉潭ǖ膆ash函數(shù)，并且得到的存儲(chǔ)結(jié)果僅僅是某個(gè)槽號(hào)，因此查找的時(shí)間是個(gè)常數(shù)，但是每個(gè)槽中存儲(chǔ)的不是實(shí)際url,因此，可能會(huì)出現(xiàn)某個(gè)url映像的幾個(gè)位置都己經(jīng)被其他url占據(jù)的情況，產(chǎn)生錯(cuò)判。
(2)因?yàn)橐粋�(gè)url對(duì)應(yīng)多個(gè)槽，而且這些槽是可以重復(fù)利用的，因此不用處理沖突。但是正因?yàn)槿绱嗽撍惴ú荒茈S便刪除某個(gè)已經(jīng)存在的url,否則會(huì)出錯(cuò)。
2一種改進(jìn)布隆過(guò)濾器算法
根據(jù)上文提及到的，布隆過(guò)濾器的缺點(diǎn)是其誤識(shí)別率，因此，如何在不降低判別性能的前提下降低布隆過(guò)濾器的誤識(shí)別率就是研究的主要方向，本文基于此目的提出了一種改進(jìn)的布隆過(guò)濾器算法，稱(chēng)為多維布隆過(guò)濾器。
2.1基本思想
多維布隆過(guò)濾器的基本想法是，通過(guò)使用S組位向量來(lái)表達(dá)數(shù)據(jù)集合，每組位向量對(duì)應(yīng)k個(gè)hash函數(shù)，每組位向量包含2個(gè)位向量，其中一個(gè)是N位大小的V1,另一個(gè)是N/k位大小的V2,每組hash函數(shù)劃分到兩部分k1和d2,用于V1映射的是k1,用于V2映射的是d2.
插入元素時(shí)，對(duì)于每組位向量，k1把該元素映射到V1中并在V1對(duì)應(yīng)位置置1,k2把數(shù)據(jù)元素映射到V2中并在V2對(duì)應(yīng)位置置1.判定元素時(shí)，分別檢查經(jīng)過(guò)每組的hash函數(shù)k1和k2的映射后，V1和V2的相關(guān)位置是否為1,若有一組位向量全為1,則認(rèn)為該元素屬于集合。
2.2性能分析
分析上述算法，可以看出來(lái)，多維布隆過(guò)濾器實(shí)際上是由多組基本的布隆過(guò)濾器構(gòu)成的。每個(gè)布隆過(guò)濾器都作為多維布隆過(guò)濾器的一部分，參加整體運(yùn)算。
因此，這里可以得到每組兩個(gè)位向量的誤識(shí)別率為：
由公式可知，在s,k,n這些參數(shù)一致的情況下，多維布隆過(guò)濾器同標(biāo)準(zhǔn)布隆過(guò)濾器相比，具有較低的誤判率，并且維數(shù)越高，誤判率越低。
不同維度的過(guò)濾器在搜索去重中處于并行工作的狀態(tài)，因此，基于此技術(shù)應(yīng)用實(shí)現(xiàn)的多維布隆過(guò)濾器引擎查詢(xún)時(shí)間和標(biāo)準(zhǔn)布隆過(guò)濾器引擎查詢(xún)時(shí)間相等。
多維布隆過(guò)濾器引擎每一維都使用了2個(gè)標(biāo)準(zhǔn)的布隆過(guò)濾器引擎，參數(shù)一致的情況下，占用的存儲(chǔ)空間是標(biāo)準(zhǔn)的布隆過(guò)濾器引擎的2S倍。
但是當(dāng)維數(shù)過(guò)多時(shí)，要讓每一個(gè)維度都處于并行工作狀態(tài)對(duì)CPU要求較高，而且維數(shù)越多，對(duì)存儲(chǔ)空間的需求也就越大。
3應(yīng)用與評(píng)價(jià)
對(duì)于上面章節(jié)討論的改進(jìn)布隆過(guò)濾器算法-多維布隆過(guò)濾器算法的理論研究，我們?nèi)孕枰M(jìn)行大量的實(shí)驗(yàn)對(duì)其進(jìn)行驗(yàn)證。本論文設(shè)計(jì)實(shí)現(xiàn)程序，從而模擬了兩種算法，進(jìn)而通過(guò)實(shí)驗(yàn)對(duì)兩種算法的性能進(jìn)行比較。
3.1實(shí)驗(yàn)評(píng)價(jià)標(biāo)準(zhǔn)
為了能夠更加直觀的對(duì)比試驗(yàn)結(jié)果，試驗(yàn)根據(jù)重復(fù)網(wǎng)頁(yè)對(duì)搜索引擎的影響制定了以下三個(gè)主要的比較數(shù)據(jù)。他們是：
(1)運(yùn)行速度：在一定抓取范圍內(nèi)，每種算法完成所用的時(shí)間。因?yàn)閷?shí)際運(yùn)用中網(wǎng)頁(yè)數(shù)量過(guò)于龐大，因此這里設(shè)定一個(gè)固定時(shí)間，在這段時(shí)間內(nèi)抓取到非重復(fù)URL的數(shù)量越多，則算法運(yùn)行的速度越快。
速度=非重復(fù)URL數(shù)量/時(shí)間
(2)重復(fù)率：也就是在第二章提到的重要評(píng)價(jià)指標(biāo)。
重復(fù)率=重復(fù)的URL/抓取到的URL總數(shù)
(3)空間利用率：用于去重的位向量組所占空間。
用Bit為單位。
3.2實(shí)驗(yàn)步驟
本實(shí)驗(yàn)使用Heritrix作為爬蟲(chóng)，主要抓取一些時(shí)事新聞。因此，實(shí)驗(yàn)首先抓取幾個(gè)常用的門(mén)戶(hù)網(wǎng)站頁(yè)面做基礎(chǔ)。本論文中是先抓取的新浪，網(wǎng)易，騰訊，搜狐。之后在百度里搜索某個(gè)新聞關(guān)鍵詞做為基礎(chǔ)。
開(kāi)始抓取搜索到的網(wǎng)頁(yè)。之后分別使用三種不同的算法，在抓取范圍相同的前提下，設(shè)定時(shí)間為1小時(shí)。
并且，為了實(shí)驗(yàn)數(shù)據(jù)更加準(zhǔn)確，本實(shí)驗(yàn)為每種算法設(shè)置不同的可選參數(shù)來(lái)驗(yàn)證前面的結(jié)論，具體如下：
●布隆過(guò)濾器：hash函數(shù)個(gè)數(shù)k;向量空間大小N
●多維布隆過(guò)濾器：每組hash函數(shù)個(gè)數(shù)k;向量空間大小N;向量維度S
3.3結(jié)果與分析
對(duì)于實(shí)驗(yàn)結(jié)果，我們首先對(duì)比多維布隆過(guò)濾器中，在k=4,N=150時(shí)，不同向量維度S下的誤識(shí)別率變化，如圖2所示。
從圖4.5中，我們可以得到結(jié)論，誤識(shí)別率隨著S值的增加而減小。S值增加往往意味著，多維布隆過(guò)濾器算法所需的空間大小也相應(yīng)提高，所以，在實(shí)際中，我們一般取S的值小于4.
隨后，我們固定S=4,k=4,對(duì)比標(biāo)準(zhǔn)布隆過(guò)濾器和多維布隆過(guò)濾器在位向量空間變化時(shí)的誤識(shí)別率，如圖3所示。
由上圖可得，多維布隆過(guò)濾器和標(biāo)準(zhǔn)布隆過(guò)濾器的誤識(shí)別率隨著位向量空間的增加一直降低，而且多維布隆過(guò)濾器誤識(shí)別率相比標(biāo)準(zhǔn)過(guò)濾器一直都要低。
最后，我們固定S=4,N=150,對(duì)比標(biāo)準(zhǔn)布隆過(guò)濾器和多維布隆過(guò)濾器在hash函數(shù)數(shù)量k變化時(shí)的誤識(shí)別率，如圖4所示。
從圖4中，我們可以得到結(jié)論，誤識(shí)別率隨著k值的增加而減小。k值增加往往意味著，hash算法所需的運(yùn)算時(shí)間也相應(yīng)提高，所以，在實(shí)際中，我們一般取k的值小于4.
綜上，通過(guò)實(shí)驗(yàn)可以得到結(jié)論，hash函數(shù)數(shù)量以及位向量空間大小都可以影響布隆過(guò)濾器和多維布隆過(guò)濾器的誤識(shí)別率，向量的維度也可以影響多維布隆過(guò)濾器的誤識(shí)別率。并且，在相同hash函數(shù)數(shù)量或向量空間大小時(shí)，多維布隆過(guò)濾器的誤識(shí)別率均低于布隆過(guò)濾器。
4結(jié)語(yǔ)
本文詳細(xì)闡述了布隆過(guò)濾器的原理，通過(guò)對(duì)原理、實(shí)現(xiàn)步驟進(jìn)行分析，得出此算法在網(wǎng)頁(yè)消重中的作用以及缺陷。此后，根據(jù)布隆過(guò)濾器存在的誤識(shí)別率的缺點(diǎn)，本文提出了一種改進(jìn)的布隆過(guò)濾器算法--多維布隆過(guò)濾器，降低了傳統(tǒng)布隆過(guò)濾器算法的誤識(shí)別率。實(shí)驗(yàn)結(jié)果表明：多維布隆過(guò)濾器的誤識(shí)別率要顯著低于傳統(tǒng)的布隆過(guò)濾器算法，能夠顯著提高網(wǎng)頁(yè)消重的性能。
參考文獻(xiàn)
[1]Netcraft.November2015WebServerSurvey[OL].[2015-11-16].
[2]阮衛(wèi)華。搜索引擎優(yōu)化技術(shù)的研究與實(shí)現(xiàn)[J].軟件，2014,35(7)：72-77
[3]鄭曉健。面向領(lǐng)域主題的智能搜索引擎設(shè)計(jì)[J].軟件，2014,35(3)：4-5
[4]郭世龍，王晨升。主題爬蟲(chóng)設(shè)計(jì)與實(shí)現(xiàn)[J].軟件，2013,34(12)：107-109
[5]ManberU.Findingsimilarfilesinalargefilesystem[A].ProceedingsoftheUSENIXwinter1994technicalconference[C].1994,1.
【網(wǎng)頁(yè)消重中多維布隆過(guò)濾器算法的運(yùn)用】相關(guān)文章：
asp技術(shù)在交互式網(wǎng)頁(yè)設(shè)計(jì)中的運(yùn)用03-27
網(wǎng)頁(yè)模糊歸類(lèi)算法的應(yīng)用與實(shí)現(xiàn)03-19
探析格式塔理論在網(wǎng)頁(yè)界面設(shè)計(jì)中的運(yùn)用03-18
淺論格式塔理論在網(wǎng)頁(yè)界面設(shè)計(jì)中的運(yùn)用03-19
多維視角中的獨(dú)白與對(duì)話(huà)透視03-23
作業(yè)成本計(jì)算法與傳統(tǒng)成本計(jì)算法的比較與運(yùn)用03-22