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