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