大数据怎么样判断数据唯一性效率高?


我想用python对全网的网站进行扫描记录,想用mysql建个表记录每个网站的信息,数据量大后怎么能快速的判断这个网站已经记录过呢?基本表结构有:id,url,name,datetime等相关字段,url想有唯一性,是拿到url查询一下判断没有数据再插入还是怎么办?如果做了唯一性索引直接插入时会报错,谢谢,或是有没有别的有效的解决办法?

python 数据库 mysql

zatff 7 years, 3 months ago

对url进行hash,就是微博短域名一样,然后用kv,mysql都行

野原·新之助 answered 7 years, 3 months ago

推荐使用Bloom Filter存储已经抓取到的url.
Bloom Filter实际上是由一组哈希函数和一个字节列表组成. 详细介绍可以参考 百度百科 和这篇 博文 .

如果使用Python可直接安装Pybloom包, 这里已经实现了Bloom Filter.

mikucom answered 7 years, 3 months ago

分布式kv数据库
对url分组

sammay answered 7 years, 3 months ago

Your Answer