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