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