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