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