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