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