URL去重-MD5算法学习笔记
URL去重-MD5算法学习笔记
在网络爬虫过程中，会爬取到很多相同的url，这个时候就需要我们去掉重复的URL。关于URL去重的算法有很多，刚刚学习了MD5算法。MD5算法是基于Hash的算法。所以首先说说Hash算法。
Hash算法
对于爬取下来的URL，可以基于Hash函数进行存储，也就是一个URL 经过Hash函数，映射到散列表中的一个具体的物理位置上。每次只要计算刚刚爬取下来的URL是否已经存在，就可以了。这样做，有两个问题。
- 主要依赖于Hash函数。如果Hash函数设计的不好，在进行映射的时候，发生碰撞的几率很大，则再进行碰撞的处理也非常复杂。
- 未经处理的URL有可能占用很大的存储空间
MD5算法
MD5算法是一种加密算法，同时它也是基于Hash的算法。**首先对URL字符串进行压缩，得到一个压缩字符串，解决了URL 占用很大存储空间的问题。**同时可以直接得到一个Hash地址。MD5进行Hash映射碰撞的几率非常小。
MD5算法的具体步骤
MD5算法：以512位分组来处理输入的信息，且每一分组又被划分为16个32位子分组，经过了一系列的处理后，算法的输出由四个32位分组组成，将这四个32位分组级联后将生成一个128位散列值
- 填充数据：首先需要对信息进行填充，使其字节长度对512求余的结果等于448。因此，信息的字节长度（bits length）将被扩展至n512+448（位），即n64+56个字节（bytes）。<一个字节==8位>。填充时，紧挨着数据补1，其余往后都补0。
- 添加数据长度：在填充的信息后面加上64位的数据，（也就是8字节）。
<经过以上两步，现有的数据长度是n*64+56+8个字节==(n+1)*64字节> 恰好是64个字节的整数倍。这样做的原因是为满足后面处理中对信息长度的要求
3. 初始化参数：MD5中有4个4字节（32位）的整数参数，也就是链接变量。
a=0x01234567，b=0x89abcdef，c=0xfedcba98，d=0x76543210
4. 进行循环运算+设置非线性函数：主循环有四轮。第一轮进行16次操作。每次操作对a、b、c和d中的其中三个作一次非线性函数运算，然后将所得结果加上第四个变量，文本的一个子分组和一个常数。再将所得结果向右环移一个不定的数，并加上a、b、c或d中之一。最后用该结果取代a、b、c或d中之一。
以一下是每次操作中用到的四个非线性函数（每轮一个）。
f(x,y,z) =(x&y)|((~x)&z)
g(x,y,z) =(x&z)|(y&(~z))
h(x,y,z) =xyz
i(x,y,z)=y^(x|(~z))