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