URL 去重的 6 種方案！(附詳細(xì)代碼)
本文轉(zhuǎn)載自微信公眾號「Java中文社群」，作者磊哥 。轉(zhuǎn)載本文請聯(lián)系Java中文社群公眾號。
URL 去重在我們?nèi)粘９ぷ髦泻兔嬖囍泻艹Ｓ龅?，比如這些：
可以看出，包括阿里，網(wǎng)易云、優(yōu)酷、作業(yè)幫等知名互聯(lián)網(wǎng)公司都出現(xiàn)過類似的面試題，而且和 URL 去重比較類似的，如 IP 黑/白名單判斷等也經(jīng)常出現(xiàn)在我們的工作中，所以我們本文就來“盤一盤”URL 去重的問題。
URL 去重思路
在不考慮業(yè)務(wù)場景和數(shù)據(jù)量的情況下，我們可以使用以下方案來實(shí)現(xiàn) URL 的重復(fù)判斷：
- 使用 Java 的 Set 集合，根據(jù)添加時(shí)的結(jié)果來判斷 URL 是否重復(fù)(添加成功表示 URL 不重復(fù));
- 使用 Redis 中的 Set 集合，根據(jù)添加時(shí)的結(jié)果來判斷 URL 是否重復(fù);
- 將 URL 都存儲在數(shù)據(jù)庫中，再通過 SQL 語句判斷是否有重復(fù)的 URL;
- 把數(shù)據(jù)庫中的 URL 一列設(shè)置為唯一索引，根據(jù)添加時(shí)的結(jié)果來判斷 URL 是否重復(fù);
- 使用 Guava 的布隆過濾器來實(shí)現(xiàn) URL 判重;
- 使用 Redis 的布隆過濾器來實(shí)現(xiàn) URL 判重。
以上方案的具體實(shí)現(xiàn)如下。
URL 去重實(shí)現(xiàn)方案
1.使用 Java 的 Set 集合判重
Set 集合天生具備不可重復(fù)性，使用它只能存儲值不相同的元素，如果值相同添加就會失敗，因此我們可以通過添加 Set 集合時(shí)的結(jié)果來判定 URL 是否重復(fù)，實(shí)現(xiàn)代碼如下：
- public class URLRepeat {
- // 待去重 URL
- public static final String[] URLS = {
- "www.apigo.cn",
- "www.baidu.com",
- "www.apigo.cn"
- };
- public static void main(String[] args) {
- Set<String> set = new HashSet();
- for (int i = 0; i < URLS.length; i++) {
- String url = URLS[i];
- boolean result = set.add(url);
- if (!result) {
- // 重復(fù)的 URL
- System.out.println("URL 已存在了：" + url);
- }
- }
- }
- }
程序的執(zhí)行結(jié)果為：
URL 已存在了：www.apigo.cn
從上述結(jié)果可以看出，使用 Set 集合可以實(shí)現(xiàn) URL 的判重功能。
2.Redis Set 集合去重
使用 Redis 的 Set 集合的實(shí)現(xiàn)思路和 Java 中的 Set 集合思想思路是一致的，都是利用 Set 的不可重復(fù)性實(shí)現(xiàn)的，我們先使用 Redis 的客戶端 redis-cli 來實(shí)現(xiàn)一下 URL 判重的示例：
從上述結(jié)果可以看出，當(dāng)添加成功時(shí)表示 URL 沒有重復(fù)，但添加失敗時(shí)(結(jié)果為 0)表示此 URL 已經(jīng)存在了。
我們再用代碼的方式來實(shí)現(xiàn)一下 Redis 的 Set 去重，實(shí)現(xiàn)代碼如下：
- // 待去重 URL
- public static final String[] URLS = {
- "www.apigo.cn",
- "www.baidu.com",
- "www.apigo.cn"
- };
- @Autowired
- RedisTemplate redisTemplate;
- @RequestMapping("/url")
- public void urlRepeat() {
- for (int i = 0; i < URLS.length; i++) {
- String url = URLS[i];
- Long result = redisTemplate.opsForSet().add("urlrepeat", url);
- if (result == 0) {
- // 重復(fù)的 URL
- System.out.println("URL 已存在了：" + url);
- }
- }
- }
以上程序的執(zhí)行結(jié)果為：
URL 已存在了：www.apigo.cn
以上代碼中我們借助了 Spring Data 中的 RedisTemplate 實(shí)現(xiàn)的，在 Spring Boot 項(xiàng)目中要使用 RedisTemplate 對象我們需要先引入 spring-boot-starter-data-redis 框架，配置信息如下：
- <!-- 添加操作 RedisTemplate 引用 -->
- <dependency>
- <groupId>org.springframework.boot</groupId>
- <artifactId>spring-boot-starter-data-redis</artifactId>
- </dependency>
然后需要再項(xiàng)目中配置 Redis 的連接信息，在 application.properties 中配置如下內(nèi)容：
- spring.redis.host=127.0.0.1
- spring.redis.port=6379
- #spring.redis.password=123456 # Redis 服務(wù)器密碼，有密碼的話需要配置此項(xiàng)
經(jīng)過以上兩個(gè)步驟之后，我們就可以在 Spring Boot 的項(xiàng)目中正常的使用RedisTemplate 對象來操作 Redis 了。
3.數(shù)據(jù)庫去重
我們也可以借助數(shù)據(jù)庫實(shí)現(xiàn) URL 的重復(fù)判斷，首先我們先來設(shè)計(jì)一張 URL 的存儲表，如下圖所示：
此表對應(yīng)的 SQL 如下：
- /*==============================================================*/
- /* Table: urlinfo */
- /*==============================================================*/
- create table urlinfo
- (
- id int not null auto_increment,
- url varchar(1000),
- ctime date,
- del boolean,
- primary key (id)
- );
- /*==============================================================*/
- /* Index: Index_url */
- /*==============================================================*/
- create index Index_url on urlinfo
- (
- url
- );
其中 id 為自增的主鍵，而 url 字段設(shè)置為索引，設(shè)置索引可以加快查詢的速度。
我們先在數(shù)據(jù)庫中添加兩條測試數(shù)據(jù)，如下圖所示：
我們使用 SQL 語句查詢，如下圖所示：
如果結(jié)果大于 0 則表明已經(jīng)有重復(fù)的 URL 了，否則表示沒有重復(fù)的 URL。
4.唯一索引去重
我們也可以使用數(shù)據(jù)庫的唯一索引來防止 URL 重復(fù)，它的實(shí)現(xiàn)思路和前面 Set 集合的思想思路非常像。
首先我們先為字段 URL 設(shè)置了唯一索引，然后再添加 URL 數(shù)據(jù)，如果能添加成功則表明 URL 不重復(fù)，反之則表示重復(fù)。
創(chuàng)建唯一索引的 SQL 實(shí)現(xiàn)如下：
- create unique index Index_url on urlinfo
- (
- url
- );
5.Guava 布隆過濾器去重
布隆過濾器(Bloom Filter)是1970年由布隆提出的。它實(shí)際上是一個(gè)很長的二進(jìn)制向量和一系列隨機(jī)映射函數(shù)。布隆過濾器可以用于檢索一個(gè)元素是否在一個(gè)集合中。它的優(yōu)點(diǎn)是空間效率和查詢時(shí)間都遠(yuǎn)遠(yuǎn)超過一般的算法，缺點(diǎn)是有一定的誤識別率和刪除困難。
布隆過濾器的核心實(shí)現(xiàn)是一個(gè)超大的位數(shù)組和幾個(gè)哈希函數(shù)，假設(shè)位數(shù)組的長度為 m，哈希函數(shù)的個(gè)數(shù)為 k。
以上圖為例，具體的操作流程：假設(shè)集合里面有 3 個(gè)元素 {x, y, z}，哈希函數(shù)的個(gè)數(shù)為 3。首先將位數(shù)組進(jìn)行初始化，將里面每個(gè)位都設(shè)置位 0。對于集合里面的每一個(gè)元素，將元素依次通過 3 個(gè)哈希函數(shù)進(jìn)行映射，每次映射都會產(chǎn)生一個(gè)哈希值，這個(gè)值對應(yīng)位數(shù)組上面的一個(gè)點(diǎn)，然后將位數(shù)組對應(yīng)的位置標(biāo)記為 1，查詢 W 元素是否存在集合中的時(shí)候，同樣的方法將 W 通過哈希映射到位數(shù)組上的 3 個(gè)點(diǎn)。如果 3 個(gè)點(diǎn)的其中有一個(gè)點(diǎn)不為 1，則可以判斷該元素一定不存在集合中。反之，如果 3 個(gè)點(diǎn)都為 1，則該元素可能存在集合中。注意：此處不能判斷該元素是否一定存在集合中，可能存在一定的誤判率?？梢詮膱D中可以看到：假設(shè)某個(gè)元素通過映射對應(yīng)下標(biāo)為 4、5、6 這 3 個(gè)點(diǎn)。雖然這 3 個(gè)點(diǎn)都為 1，但是很明顯這 3 個(gè)點(diǎn)是不同元素經(jīng)過哈希得到的位置，因此這種情況說明元素雖然不在集合中，也可能對應(yīng)的都是 1，這是誤判率存在的原因。
我們可以借助 Google 提供的 Guava 框架來操作布隆過濾器，實(shí)現(xiàn)我們先在 pom.xml 中添加 Guava 的引用，配置如下：
- <!-- 添加 Guava 框架 -->
- <!-- https://mvnrepository.com/artifact/com.google.guava/guava -->
- <dependency>
- <groupId>com.google.guava</groupId>
- <artifactId>guava</artifactId>
- <version>28.2-jre</version>
- </dependency>
URL 判重的實(shí)現(xiàn)代碼：
- public class URLRepeat {
- // 待去重 URL
- public static final String[] URLS = {
- "www.apigo.cn",
- "www.baidu.com",
- "www.apigo.cn"
- };
- public static void main(String[] args) {
- // 創(chuàng)建一個(gè)布隆過濾器
- BloomFilter<String> filter = BloomFilter.create(
- Funnels.stringFunnel(Charset.defaultCharset()),
- 10, // 期望處理的元素?cái)?shù)量
- 0.01); // 期望的誤報(bào)概率
- for (int i = 0; i < URLS.length; i++) {
- String url = URLS[i];
- if (filter.mightContain(url)) {
- // 用重復(fù)的 URL
- System.out.println("URL 已存在了：" + url);
- } else {
- // 將 URL 存儲在布隆過濾器中
- filter.put(url);
- }
- }
- }
- }
以上程序的執(zhí)行結(jié)果為：
URL 已存在了：www.apigo.cn
6.Redis 布隆過濾器去重
除了 Guava 的布隆過濾器，我們還可以使用 Redis 的布隆過濾器來實(shí)現(xiàn) URL 判重。在使用之前，我們先要確保 Redis 服務(wù)器版本大于 4.0(此版本以上才支持布隆過濾器)，并且開啟了 Redis 布隆過濾器功能才能正常使用。
以 Docker 為例，我們來演示一下 Redis 布隆過濾器安裝和開啟，首先下載 Redis 的布隆過器，然后再在重啟 Redis 服務(wù)時(shí)開啟布隆過濾器，如下圖所示：
布隆過濾器使用布隆過濾器正常開啟之后，我們先用 Redis 的客戶端 redis-cli 來實(shí)現(xiàn)一下布隆過濾器 URL 判重了，實(shí)現(xiàn)命令如下：
在 Redis 中，布隆過濾器的操作命令不多，主要包含以下幾個(gè)：
- bf.add 添加元素;
- bf.exists 判斷某個(gè)元素是否存在;
- bf.madd 添加多個(gè)元素;
- bf.mexists 判斷多個(gè)元素是否存在;
- bf.reserve 設(shè)置布隆過濾器的準(zhǔn)確率。
接下來我們使用代碼來演示一下 Redis 布隆過濾器的使用：
- import redis.clients.jedis.Jedis;
- import utils.JedisUtils;
- import java.util.Arrays;
- public class BloomExample {
- // 布隆過濾器 key
- private static final String _KEY = "URLREPEAT_KEY";
- // 待去重 URL
- public static final String[] URLS = {
- "www.apigo.cn",
- "www.baidu.com",
- "www.apigo.cn"
- };
- public static void main(String[] args) {
- Jedis jedis = JedisUtils.getJedis();
- for (int i = 0; i < URLS.length; i++) {
- String url = URLS[i];
- boolean exists = bfExists(jedis, _KEY, url);
- if (exists) {
- // 重復(fù)的 URL
- System.out.println("URL 已存在了：" + url);
- } else {
- bfAdd(jedis, _KEY, url);
- }
- }
- }
- /**
- * 添加元素
- * @param jedis Redis 客戶端
- * @param key key
- * @param value value
- * @return boolean
- */
- public static boolean bfAdd(Jedis jedis, String key, String value) {
- String luaStr = "return redis.call('bf.add', KEYS[1], KEYS[2])";
- Object result = jedis.eval(luaStr, Arrays.asList(key, value),
- Arrays.asList());
- if (result.equals(1L)) {
- return true;
- }
- return false;
- }
- /**
- * 查詢元素是否存在
- * @param jedis Redis 客戶端
- * @param key key
- * @param value value
- * @return boolean
- */
- public static boolean bfExists(Jedis jedis, String key, String value) {
- String luaStr = "return redis.call('bf.exists', KEYS[1], KEYS[2])";
- Object result = jedis.eval(luaStr, Arrays.asList(key, value),
- Arrays.asList());
- if (result.equals(1L)) {
- return true;
- }
- return false;
- }
- }
以上程序的執(zhí)行結(jié)果為：
URL 已存在了：www.apigo.cn
總結(jié)
本文介紹了 6 種 URL 去重的方案，其中 Redis Set、Redis 布隆過濾器、數(shù)據(jù)庫和唯一索引這 4 種解決方案適用于分布式系統(tǒng)，如果是海量的分布式系統(tǒng)，建議使用 Redis 布隆過濾器來實(shí)現(xiàn) URL 去重，如果是單機(jī)海量數(shù)據(jù)推薦使用 Guava 的布隆器來實(shí)現(xiàn) URL 去重。
