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