第627章 车子老娘征用了
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