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