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