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