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）
海贼之神级副船长 权臣风流 异界直播间 都市土地公 孤岛求生之重生狂蟒 妖孽娘子：拐个师叔来暖床 全知全能者 我真是大德鲁伊 终末之城 危机 我的大明星家族 残剑封魔 儒武争锋 弱渣的逆袭人生 美利坚农场主 龙女飘飘 总裁禁爱：小妻欢宠无度时小念顾南城 香江豪门 超品战兵 轮回游戏空间
黑医
起点第四编辑组荣誉出品自己的大脑里突然挤进另一个人的意识，这种情况俗称为鬼上身，被鬼上身肯定不会是件愉快的事。但是如果这个挤进大脑里的意识属于一个来自于未来世界的人工智能（机器人），并且可以让你成为当代第一名医，你是否会接受呢莫一凡是一个敢于玩命的替身演员，无意中接触到了神秘的天外来客，从而掌握了来自于未来世界的神奇医术，并且还莫名其妙地担负起了振兴中华医学的重任声明本书非种马小说。东方已有两部字数过百万的VIP作品，我最风流和千极变，如果没看过的朋友不妨去转转，可以点击我的作者名进入我的空间，里面有连接地址。喜欢本书的朋友请加东方的书友群多多联络群号8809004群号29336314群号1510443群号35269403...
爱之家福之源
书海阁小说网免费提供作者野火a的经典小说爱之家福之源最新章节全文阅读服务本站更新及时无弹窗广告欢迎光临wwwshgtw观看小说外表阳光内心孤独的戴志成，因为缘分而进入江秋月的生活与家庭。因为爱，他全身心的努力与拼搏。历经三十多年，最终打造出一个幸福满满，快乐多多的爱之家。同时也创立了一个强大的企业集团。...
火影之自由人生
什么是自由，怎样得到自由。这是一个一般般的忍者，在一般般的忍界，用着一般般的能力追寻自由的故事。...
乱世枭妃：杀神王爷来撑腰
作者番茄炖栗子的经典小说乱世枭妃杀神王爷来撑腰最新章节全文阅读服务本站更新及时无弹窗广告小说她是大奸臣义女，京城最出名的女土匪，欺男霸女无恶不作。他是大盛朝皇子，天下最可怕的修罗王，冷心寡情杀戮成性。某日，女土匪指婚修罗王。世人欢呼绝配！魏青棠前世瞎了眼，认贼作父，手刃亲兄，重活一世誓复仇。渣男贱女轮番上，打马看花挨个儿揍！还有那黑心老贼，且待她羽翼丰时收！可，这位杀神王爷怎么回事？她不过是亲了个小嘴扑了个满怀，怎么就打包上榻了？魏青棠惊恐状殿下我发誓这次绝对是意外！云殊云淡风...
系统：变强从心跳开始
作者老胡戴眼镜的经典小说系统变强从心跳开始最新章节全文阅读服务本站更新及时无弹窗广告小说刚刚高考结束的张洋，意外激活了心跳就变有钱神豪系统，从此开始了他的开挂人生。金钱111叮，系统升级，系统商城开启。叮，宿主获得美食零觉，可以通过感知，挑选美食中最佳品质的食物。叮，宿主获得技能生成器。不一样的神豪系统，总是能给张洋不一样的的惊喜。...
桃缘山神
李振复在回家的途中捡到一只自称是公主的萝莉。意外成为了一片荒山的山神。作为一个山神，首要任务当然是把自己的荒山改造成一个桃源世界，然后再发展宏图大业，把周围的山脉都划分到自己的领地中增强实力才是王道。既然成了神，那就要过些神仙般的悠闲日子，没事种种田，调戏调戏萝莉。李振复小萝莉，走，叔叔带你去种田。该死的人类，我是公主，尊贵的公主。公主怎么了？我还是山神呢。赶紧的，听话，要不然今天不给你喝豆浆了。PS采菊东篱下，悠然见南山。开荒做山神，种田养萝莉。PS桃缘山神第一个群，云岚山村群号3－2－9－6－1－5－9－0－5...