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