手机浏览器扫描二维码访问
第十一章 数据海洋和爬虫（第1页）
（小燕文学WwW.XiaoYanwenXue.CoM）
数据分析模块是股神1.0的大脑，除了这个大脑之外它还需要其他几个关键性模块。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。
国际互联网发展到今天，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、信息发射终端等等等等。
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速找到目标，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，每一秒同时并发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，不仅速度慢效率低，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1.0，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被发现，首先需要判断这条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。
（大雁文学WwW.XiaoYanWenXue.CoM）
我真是大德鲁伊 终末之城 权臣风流 美利坚农场主 都市土地公 龙女飘飘 海贼之神级副船长 异界直播间 超品战兵 轮回游戏空间 总裁禁爱：小妻欢宠无度时小念顾南城 孤岛求生之重生狂蟒 全知全能者 残剑封魔 危机 弱渣的逆袭人生 儒武争锋 香江豪门 我的大明星家族 妖孽娘子：拐个师叔来暖床
蔺少，管管你的学渣老婆
第一高中的女魔王嫁给了京都赫赫有名的蔺五爷，传闻蔺五爷外貌丑陋杀人不眨眼还有断袖之癖，戴着面具示人，人称阎王传闻女魔王打架斗殴无所不能，外界一致认为这对夫妻是绝配！婚后，高冷禁欲的蔺先生见脸打脸遇佛杀佛，护妻成为他最大的乐趣。有老公当靠山，痞气十足的蔺太太在校园横着走，撩汉泡妹男女通吃，还不忘制造不当谣言某天蔺先生逮她回房听说，我不能人道？造谣，绝对是造谣！她秒怂，可挡不住...
农家有喜之傻夫赖上门
情感白痴又死不开窍的医厨娘VS外表忠厚但内心腹黑大将军中医世家出生的李如意，因一场意外变成了古代小山村的丑女。初来乍到，见到的是一大家子人的狠心绝情，将他们一家五口赶出了家门。娘气，爹愁，妹妹与弟弟又太小，她也还在生病吃药，可说是屋漏偏逢连夜雨。没办法，李如意只能想方设法做生意赚银子，让这个小家越过越有盼头，发家致富奔小康。极品亲戚想沾光？做梦！渣男贱女后悔了？没门！◆◆◆只是突然有一天，妹妹捡回来一个傻大个helliphellip要给她当夫君？失忆傻大个，赖上了村丫头，任劳任怨，当牛做马，不做将军做赘婿。李如意ldquo傻大个，我养不起你。rdquo傻大个ldquo我养你。rdquo李如意ldquohelliphellip傻大个，你该回家了。rdquo傻大个ldquo你就是我的故乡。rdquo李如意ldquohelliphelliprdquo这傻子是傻出天际了吧？她怎么会是她的故乡傻大个心想老子赖定你了！PS一对一，身心双洁，甜宠，无虐。种田经商，发家致富。各位书友要是觉得农家有喜之傻夫赖上门还不错的话请不要忘记向您QQ群和微博里的朋友推荐哦！农家有喜之傻夫赖上门最新章节农家有喜之傻夫赖上门无弹窗农家有喜之傻夫赖上门全文阅读...
予我以安
抖一下慕医生说我胃不好。梁吃软饭的梗？慕不，他让我少吃醋。抖第二下梁你是想好怎么死了吗？慕被你爱死。梁我看你是改不了食shi。慕毕竟我是你的舔狗啊。再抖一下梁你得去看看医生，我怕你有人格分裂。慕不，你才能治我的相思病！梁臭不要脸，我要去吃饭了。慕饭有我好吃？色香味俱全，有会员套餐，像你这样包后半生的，有各种版本未完待续可开发。〖慕先生心宽似海，醋海无涯。〗〖梁小姐不用管他，淹死算了。〗别人的恋爱都甜甜的，梁忘秋怀疑自己在参与段子合辑别人的校车去幼儿园，慕奕安在盘山公路飚的风生水起...
天眼通赵峰
主角是赵峰赵雪的书名叫天眼通赵峰，本小说的作者是快餐店倾心创作的一本玄幻科幻小说，书中主要讲述了他意志坚韧，不甘平庸，却资质平平，出自卑微的支族。一次意外，他融合一只太古神灵的眼睛，从此鲤鱼跃龙门，如彗星般崛起，踏上传奇修行之路。从渺小蝼蚁的世界底层，步步生莲，踏入这个宗门林立天才如云远古万族神话争锋波澜壮阔的大时代。...
重生八零神医养包子
一次飞机失事，医学界的大佬转眼变成了八十年代的可怜小媳妇。男人失踪，公婆不喜，兄嫂欺凌。当神医变小媳妇，一切将随之改变，打脸，挣钱，养娃，救人，四不误。当她走出大山，当她名扬天下，传说中的商界大佬竟然喊她媳妇。景云一脸懵逼，这是什么情况？景云一边去，谁是你媳妇，少往自己脸上贴金。陆辰媳妇，我们可是成过亲，拜过堂的。景云谁能证明？陆辰勾唇一笑，从身后拎出了一个小包子，一脸得意的说道...
漫威世界的光之巨人
乌木喉伟大的主人，前面就是地球了。灭霸很好，全速前进，我们踏平地球拿下无限原石。金色光芒于星空间凭空凝成闪耀的银色巨人，巨人双手摆成十字，金色光束有如席卷虚空的风暴朝着灭霸的舰队破空而来灭霸通知全舰，我们撤！漫威世界的光之巨人名称被占用漫威世界的光之巨人最新章节漫威世界的光之巨人全文阅读漫威世界的光之巨人章节列表漫威世界的光之巨人txt漫威世界的光之巨人全文免费阅读漫威世界的光之巨人在线阅读漫威世界的光之巨人目录漫威世界的光之巨人无弹窗MANWEISHIJIEDEGUANGZHIJURENMAN威世界的光之巨人...