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