言情书阁

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)

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。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。

我创我强  封总前妻是亿万千金笙歌封御年  重生地主家  重生之大道无情  非正常的异世界  尘光  文娱全才系统  北岭王  传媒之王  三界仙门  隐世狂婿秦默夏凝雪  长刀江湖行  无限卡徒  沈年傅泽霖  巫师世界的逐道者  嫣然天下  神兵利刃  御妖道  纯洁关系  大神我来也  

热门小说推荐
星际工业时代

星际工业时代

新书宇宙乾坤塔已经发布,可以开宰了第一次工业革命,蒸汽机将大英帝国变成了日不落帝国第二次工业革命,内燃机推动历史的车轮,电灯照亮漆黑的夜晚第三次工业革命,互联网将我们的星球变成了地球村大学生秦毅走运获得了科技塔,掀开了星际工业时代,从此以后太阳系变成了我们的后花园我们在太空之中发展农业兴建太空工厂我们在月...

上门狂婿

上门狂婿

被丈母娘为难,被女神老婆嫌弃!都说我是一无是处的上门女婿!突然,家族电话通知我继承亿万家财,其实我是一个级富二代...

功夫皇帝逍遥游(功夫皇帝艳福星)

功夫皇帝逍遥游(功夫皇帝艳福星)

一个落魄的大学生阴差阳错地灵魂穿越到了古代,稀里糊涂地做了皇子,又发动政变赶走太子当上了皇帝,从此便过上了锦衣玉食声色犬马的生活。但他却不满足,他要做一个全能型的功夫皇帝因此,他拜武林宗师学习武功,又向江湖术士讨取御女秘方,美艳绝伦的妃子欲望强烈的宫女温婉恬静的皇后妖艳迷人的异族美女野性十足的江湖侠女,各种类型的美女纷纷被他男人的功夫征服金钱权利和美女一个都不能少!想爽的,还等什么呢?本书保证精彩,敬请放心收藏,推荐!...

非凡人生(娇艳人生)

非凡人生(娇艳人生)

非凡人生凌轩是这个都市的主角,他身上发生的一切,应该是男人们都渴望得到的。他的经历,就是一个个娇艳美女组合而成的酸甜苦辣爱恨情仇非凡人生绝非一般的人生故事,娇艳人生,不走寻常路。非凡人生延续面包作品的一贯风格,更清新,更自然,更现代!总结只有一句YY,只有YY,男人的YY,最尽情的YY!...

我的师父是黄蓉破天居士

我的师父是黄蓉破天居士

一觉醒来发现身边多了个没穿衣服的美女,这个美女竟然是金庸笔下的黄蓉。而且还是少女时期的黄蓉。莫名其妙的得到了黄蓉的身心,有些木讷的小人物顿时发生了变化。挨欺负了不用咱出手,有黄MM的打狗棒法帮咱出气。想成为武林高手?没问题。桃花岛武功随便学,打狗棒法随意耍,九阴真经纵横大都市总之有了黄蓉这个伪师父,真老婆之后,一切都变的精彩了!...

每日热搜小说推荐