Python爬虫学习4-url去重方法

爬取网页时，url去重是重要一环，这样可以避免重复抓取。
1、url保存在数据库中（效率低）
2、将url保存在set中，但对内存要求高。若有1亿网页，则占用内存为：
100000000*2byte*50个字符/1024/1024/1024=9G
3、url经过md5等方法哈希后保存到set中（对2的改进，可以成倍降低内存占用）。Scrapy使用的这种方法
4、用bitmap方法，将访问过的url通过hash函数映射到某一位。
5、bloomfilter方法对bitmap进行改进，多重hash函数降低冲突