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