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