第7章 奇怪的拍卖
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