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