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