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