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