第十一章 数据海洋和爬虫

nbsp; 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。