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