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