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