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