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