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