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