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