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