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