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