36酷文小说

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)

龙女飘飘  儒武争锋  异界直播间  残剑封魔  海贼之神级副船长  权臣风流  我真是大德鲁伊  我的大明星家族  美利坚农场主  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  终末之城  都市土地公  超品战兵  妖孽娘子:拐个师叔来暖床  弱渣的逆袭人生  香江豪门  全知全能者  危机  

热门小说推荐
赫先生的医见钟情

赫先生的医见钟情

赫先生的医见钟情由作者笑倾一世创作全本作品该小说情节跌宕起伏扣人心弦是一本难得的情节与文笔俱佳的好书919言情小说免费提供赫先生的医见钟情全文无弹窗的纯文字在线阅读。...

美女总裁的贴身司机唐宇

美女总裁的贴身司机唐宇

拿着总裁的年薪干着小司机的活儿,没事逗逗冰山美女总裁,吃吃美女总经理的豆腐,唐宇的日子过的无比悠哉。众人只当他是个不学无术的无赖,实则不动声色间击退一场又一场的生意风暴仇家暗杀。美人在侧,豪车在手,唐宇觉得他的人生完美了。不过似乎还缺了点什么?缺什么呢?哦,缺个娃。唐宇看了一眼正在电脑前工作的总裁,走过去一把抱起。美女娇嗔干嘛?上着班呢。嘿嘿,不着急,造完人接着干。...

武炼巅峰最新章节

武炼巅峰最新章节

作者莫默的小说的经典小说武炼巅峰最新章节最新章节全文阅读服务本站更新及时无弹窗广告小说身怀逆脉的郑辰,屡次聚灵失败,落得废柴之名,却因偶遇玉牌中残魂老者,逆脉贯通,变身绝世奇才。功法仙道,转瞬即悟炼器夺宝,轻而易举。看俊逸少年,戮仙弑神,成就威震寰宇的一代天骄!...

权门娇宠:将军夫人不下堂

权门娇宠:将军夫人不下堂

书海阁小说网免费提供作者鱼夭夭的经典小说权门娇宠将军夫人不下堂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观看小说苏倾澜和顾霆是政治联姻,朝中皆知。二人从相敬如宾,到苏倾澜对顾霆有了情谊。又到十年后他为了他心中的白月光,一剑刺进了她的胸膛。苏倾澜一朝重生,决心不重蹈覆辙。顾霆,上一世你负我伤我害我,这一世,我不会让你得逞。谁知那人却出现在了自家门口,痴缠不放。苏小姐,可否嫁与小生,已恋慕你许久。许久是多久?之前不过十年,往后可堪还有几十年。...

致命招惹

致命招惹

唐小姐,请问你死前有何心愿?一愿跟傅盛宴离婚。二愿,他别去我坟前,脏我轮回路。全城皆知,傅盛宴恨唐柚,恨到,一点点折断她的傲骨,亲手毁了她。直到那日,她血染残阳,他才明白,他更爱她浴血重生,唐柚成了帝都最传奇的女人。传说,帝都的大佬,都想给她生猴子。记者闻风追拍。却见最富贵倾城的傅少,手牵小包子,红着眼眶将她堵在墙角。柚柚,我已经给你生猴子了,你只能是我的!小包子,所以,我是猴子?...

时空少年

时空少年

成荣有幸得到至宝造化玉碟碎片,却不幸的穿越时空,来到一个崭新的世界。  获知了原来真有传说中的力量,更知道了造化玉碟碎片的功效,一步步的登上巅峰,打碎虚空,努力的为寻找回来的路而奋斗。...

每日热搜小说推荐