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