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