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