絕對掌控 第十一章 數據海洋和爬蟲

    數據分析模塊是股神1.0的大腦，除了這個大腦之外它還需要其他幾個關鍵性模塊。既然做大數據分析，那麼這個數據來源就需要有一個功能模塊來解決，它專門負責數據的收集。

    這個數據收集模塊就像是股神的手腳，負責從網絡上收集對應的數據，這個模塊一個關鍵的組成部分就是爬蟲。

    國際互聯網發展到今天，變成了體系龐雜內容浩繁的網狀系統，這個系統上的信息節點規模數以十億計，這些節點可能包括台式機、筆記本、服務器、大規模群組、智能手機、平板、智能導航終端、各類信息採集終端、信息發射終端等等等等。

    只要能夠鏈接上互聯網，能夠與互聯網進行數據交互的，都可以視為一個信息節點，比如遍佈城市的各類監控探頭，各類通訊基站，嚴格來說都屬於節點之一。

    這些節點為互聯網提供的數據類型也各種各樣，有文字，有數據，有圖表，有文檔，有視頻，有音頻，有數據庫；它們的表現形式各式各樣，有通用格式，有專用格式；所有這些信息加在一起，共同組成了沉積在國際互聯網中浩瀚的數據海洋。

    這個數據海洋是動態的，它時刻處在在運動和更新之中，就好像各種洋流和浪濤一樣，永不停息。

    整個數據海洋分散在無數個信息節點之中，這些信息節點被各種通訊協議鏈接起來，讓它們可以相互通訊。各種通訊協議中，有我們最熟悉的一種，就是url，也就是我們總會遇到的網站鏈接。

    如果將整個數據海洋比喻成我們的地球，那麼每個數據節點就是一個房間，而節點內的數據信息就是我們人類，所有的信息節點組合起來，構成了地球上的無數個城市，無數個大廈，無數個房屋。

    各種各類的數據鏈接模式，就是承載人們出行的道路，而url不過是道路的一種，算是各個城市之間，各個主要的商業大廈之間互通的鐵路和公路。它主要出現在公共服務器之間，就是說只要有了url，理論上來說它對所有數據訪客都是開放的，任何人都可以抵達這個服務器，只不過它有沒有門禁就是另外一回事了。

    既然有公共空間，那相對應的肯定有非公共空間，除了url，還有很多鏈接模式，這些鏈接模式里，信息節點就像是私人住宅或者軍事禁區一樣，它並不是開放給公眾的，雖然它同樣存在於數據海洋中，但你是無法隨便訪問的。

    當面對如此龐大浩繁的數據海洋時就存在一個問題了，世界這麼大，我該如何找到目標，比如我想找感冒藥相關的數據信息，我該怎麼辦？

    正是這種需求催生了搜尋引擎，搜尋引擎可以幫助你快速找到目標，它就像一個找路指南一樣，你只要告訴它想去哪，這個目的地大概什麼特徵，它就會幫助你找到無數個可能合適的目的地，並且把對方的url提供給你。

    搜尋引擎每天的訪問量都是海量的，每一秒同時並發的搜索請求都是數以十萬計的，在這麼多請求面前，如果來一個請求它搜一遍互聯網，這肯定是不現實的，不僅速度慢效率低，而且僅僅這類搜索請求就足讓整個國際互聯網陷入擁堵狀態。

    為了解決這個問題，搜尋引擎就有了它特有的工作模式，它先儘可能多的將數據海洋里的信息全部找出來，然後存儲在自己的服務器群組中，一旦有了搜索請求，它只要在自己的服務器里進行檢索就行了。

    而幫助搜尋引擎完成找這個動作的就是爬蟲。

    因為國際互聯網中的信息節點都是相互關聯的，是網狀聯繫的，每個節點上都會有很多個url。所以爬蟲的工作模式就是遍歷，當它開始工作時，它會以一個信息節點為起點，然後挨個訪尋與這個節點相連的所有節點，當下一層節點還有url鏈接時，它就不斷訪問下去，直到將所有url遍歷一次才算完。

    因為整個互聯網的網狀結構，使它具備網狀互通性，所以等爬蟲將所有url遍歷了，一般來說它就已經將整個國際互聯網所有鏈接全部訪問了一遍，這註定是一個比環球旅行更加令人嘆為觀止的行為。

    而莫回既然想弄這個股神1.0，他想要搜集海量數據，那麼他要做的事情其實和搜尋引擎要做的事情很像，只不過搜尋引擎是所有信息都要搜集，而莫回只需要關注股票相關的信息就行了。

    這樣的話，莫回的爬蟲就必須在具備遍歷能力的同時，還得具備篩選的能力。

    遍歷的能力解釋起來很簡單，就是你不能走回頭路和冤枉路，遊歷過的url就犯不着再走第二遍了。一條新的url被發現，首先需要判斷這條url是否已經走過，其次需要判斷這條url被安排在什麼次序去走。一個是重複性問題，一個是最優化問題，這就需要獨特的遍歷算法來解決。

    而篩選功能就是通用爬蟲和專用爬蟲之間的主要區別，莫回的爬蟲需要具備一定的識別能力，能夠辨別某個url中的內容是否具備相關性，如果不具備那麼就跳過，如果具備就將其中的內容複製回來待用。

    這個篩選功能同樣需要一大堆的算法來解決，不僅如此，它還需要具備自然語言處理能力，就是說它得具備對語言文字的理解和解析的能力，它得能夠識別哪些文字內容是與股票相關的，哪些是無用的。

    僅僅識別文字還是不夠的，它還得能夠識別其他格式的數據，比如它得能夠識別圖案，像是股票相關的各種k線圖、柱狀圖之類的，爬蟲必須能夠將其與風景畫或者自拍照區別開。

    除了圖片，其他的像是視頻、音頻、各類數據庫之類的，爬蟲都需要一一辨別出來，確定是否屬於相關內容。

    這裏面將會有無數個技術難題需要解決，如果這個工作讓莫回一個人來完成，幾乎是不可想像的。