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