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