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