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