数据分析模块是股神1.o的大脑🆗，除了这个大脑之外它还需要其他几个关键性模块🏩。?笔趣阁??ｗ?ｗ?ｗ?．?ｂ?ｉ?ｑ?ｕｇｅ．ｃｎ既然做大数据分析🏰，那么这个数据来源就需要有一个功能模块来解决🌉，它专门负责数据的收集✖。
这个数据收集模块就像是股神的手脚🌾，负责从网络上收集对应的数据⬛，这个模块一个关键的组成部分就是爬虫🍣。
国际互联网展到今天🍥，变成了体系庞杂内容浩繁的网状系统🍀，这个系统上的信息节点规模数以十亿计🌺，这些节点可能包括台式机🍍、笔记本🐛、服务器🍙、大规模群组🌓、智能手机🏭、平板🏍、智能导航终端🎄、各类信息采集终端🌈、信息射终端等等等等🌩。
只要能够链接上互联网♿，能够与互联网进行数据交互的✈，都可以视为一个信息节点🎐，比如遍布城市的各类监控探头❎，各类通讯基站🍯，严格来说都属于节点之一☔。
这些节点为互联网提供的数据类型也各种各样㊙，有文字🍑，有数据🈵，有图表㊗，有文档🎈，有视频⛱，有音频🈂，有数据库🏮；它们的表现形式各式各样🎫，有通用格式🐪，有专用格式🈵；所有这些信息加在一起🏫，共同组成了沉积在国际互联网中浩瀚的数据海洋🍔。
这个数据海洋是动态的🎰，它时刻处在在运动和更新之中🏸，就好像各种洋流和浪涛一样👖，永不停息🏨。
整个数据海洋分散在无数个信息节点之中⏮，这些信息节点被各种通讯协议链接起来🐡，让它们可以相互通讯🎸。各种通讯协议中🍱，有我们最熟悉的一种🆑，就是uRL🐜，也就是我们总会遇到的网站链接♌。
如果将整个数据海洋比喻成我们的地球🈚，那么每个数据节点就是一个房间🎈，而节点内的数据信息就是我们人类🐀，所有的信息节点组合起来👎，构成了地球上的无数个城市㊗，无数个大厦🐻，无数个房屋🐒。
各种各类的数据链接模式🐍，就是承载人们出行的道路🍏，而uRL不过是道路的一种🌧，算是各个城市之间🎵，各个主要的商业大厦之间互通的铁路和公路🌀。它主要出现在公共服务器之间👬，就是说只要有了uRL🏎，理论上来说它对所有数据访客都是开放的🎇，任何人都可以抵达这个服务器🏯，只不过它有没有门禁就是另外一回事了🈹。
既然有公共空间👤，那相对应的肯定有非公共空间🐟，除了uRL🐃，还有很多链接模式❔，这些链接模式里🈯，信息节点就像是私人住宅或者军事禁区一样🍩，它并不是开放给公众的🐣，虽然它同样存在于数据海洋中⛸，但你是无法随便访问的🎰。
当面对如此庞大浩繁的数据海洋时就存在一个问题了🐇，世界这么大🍍，我该如何找到目标🌖，比如我想找感冒药相关的数据信息❄，我该怎么办？
正是这种需求催生了搜索引擎➖，搜索引擎可以帮助你快找到目标♊，它就像一个找路指南一样🎎，你只要告诉它想去哪👪，这个目的地大概什么特征🍅，它就会帮助你找到无数个可能合适的目的地🌾，并且把对方的uRL提供给你🐌。
搜索引擎每天的访问量都是海量的✌，每一秒同时并的搜索请求都是数以十万计的⏲，在这么多请求面前⤵，如果来一个请求它搜一遍互联网🏋，这肯定是不现实的👢，不仅度慢效率低👏，而且仅仅这类搜索请求就足让整个国际互联网陷入拥堵状态🐜。
为了解决这个问题🈂，搜索引擎就有了它特有的工作模式🌩，它先尽可能多的将数据海洋里的信息全部找出来🎦，然后存储在自己的服务器群组中🎠，一旦有了搜索请求🎁，它只要在自己的服务器里进行检索就行了⛰。
而帮助搜索引擎完成找这个动作的就是爬虫👮。
因为国际互联网中的信息节点都是相互关联的👗，是网状联系的🎫，每个节点上都会有很多个uRL🍟。所以爬虫的工作模式就是遍历🅰，当它开始工作时✌，它会以一个信息节点为起点🌝，然后挨个访寻与这个节点相连的所有节点🍔，当下一层节点还有uRL链接时👓，它就不断访问下去🍹，直到将所有uRL遍历一次才算完🎶。
因为整个互联网的网状结构🅰，使它具备网状互通性🍞，所以等爬虫将所有uRL遍历了🎡，一般来说它就已经将整个国际互联网所有链接全部访问了一遍🅰，这注定是一个比环球旅行更加令人叹为观止的行为🏙。
而莫回既然想弄这个股神1.o🎐，他想要搜集海量数据🆗，那么他要做的事情其实和搜索引擎要做的事情很像🈺，只不过搜索引擎是所有信息都要搜集🌫，而莫回只需要关注股票相关的信息就行了🏉。
这样的话❤，莫回的爬虫就必须在具备遍历能力的同时🐓，还得具备筛选的能力⛷。
遍历的能力解释起来很简单🌺，就是你不能走回头路和冤枉路🐤，游历过的uRL就犯不着再走第二遍了🎣。一条新的uRL被现🏮，先需要判断这条uRL是否已经走过🏉，其次需要判断这条uRL被安排在什么次序去走🍕。一个是重复性问题➕，一个是最优化问题👘，这就需要独特的遍历算法来解决🍘。
而筛选功能就是通用爬虫和专用爬虫之间的主要区别🏿，莫回的爬虫需要具备一定的识别能力🏴，能够辨别某个uRL中的内容是否具备相关性🌊，如果不具备那么就跳过✂，如果具备就将其中的内容复制回来待用🐊。
这个筛选功能同样需要一大堆的算法来解决🏇，不仅如此🐙，它还需要具备自然语言处理能力⤴，就是说它得具备对语言文字的理解和解析的能力🏋，它得能够识别哪些文字内容是与股票相关的🏂，哪些是无用的👔。
仅仅识别文字还是不够的🏘，它还得能够识别其他格式的数据🏦，比如它得能够识别图案🌤，像是股票相关的各种k线图🐎、柱状图之类的🐃，爬虫必须能够将其与风景画或者自拍照区别开🎟。
除了图片🏍，其他的像是视频🎞、音频🌼、各类数据库之类的🆒，爬虫都需要一一辨别出来❔，确定是否属于相关内容⏺。
这里面将会有无数个技术难题需要解决⤴，如果这个工作让莫回一个人来完成🏙，几乎是不可想象的🌊。
本章未完，点击下一页继续阅读