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