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