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