第13章 坠落！（明日9点上架，求首订）
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