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