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