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