3. URL经过MD5或SHA-1等单向哈希后再保存到HashSet或数据库。

　　4. Bit-Map方法。建立一个BitSet，将每个URL经过一个哈希函数映射到某一位。

　　方法1~3都是将访问过的URL完整保存，方法4则只标记URL的一个映射位。

　　以上方法在数据量较小的情况下都能完美解决问题，但是当数据量变得非常庞大时问题就来了。

　　方法1：数据量变得非常庞大后关系型数据库查询的效率会变得很低。而且每来一个URL就启动一次数据库查询是不是太小题大做了？

　　方法2：太消耗内存。随着URL的增多，占用的内存会越来越多。就算只有1亿个URL，每个URL只算50个字符，就需要5GB内存。

　　方法3：由于字符串经过MD5处理后的信息摘要长度只有128Bit，SHA-1处理后也只有160Bit，因此方法3比方法2节省了好几倍的内存。

　　方法4：消耗内存是相对较少的，但缺点是单一哈希函数发生冲突的概率太高。还记得数据结构课上学过的Hash表冲突的各种解决方法么？若要降低冲突发生的概率到1%，就要将BitSet的长度设置为URL个数的100倍。

　　但是我们可以考虑如果在一定程度上忽略误判的情况，那么是不是可以通过改进方法4实现这一功能？其实这就是Bloom Filter的算法 的思想：Bloom Filter是由Bloom在1970年提出的一种多哈希函数映射的快速查找算法。通常应用在一些需要快速判断某个元素是否属于集合，但是并不严格要求100%正确的场合。其思想就是在方法4基础上做了一些改进，不是映射到一位，而是通过K个哈希函数映射到K位上，这样只有当新的URL计算得到的K位都为1时才判断为该URL已经访问过（有误判的可能性，不过有相关研究证明，取得合适的K值和bitmap位数时可以让误判率很小以至于可以忽略，参见细节）

　　当然，还可以通过map-reduce来处理，毕竟人家mapreduce可是行家，专业的大数据处理技术嘛！