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