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