第4章 他们离婚了！
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