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