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