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