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