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