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