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