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