小说妹妹网

手机浏览器扫描二维码访问

第5部分（第2页）

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。

第十二章　把自己当驴使唤

当然股神1。0仅仅有分析模块和收集模块是不够的，它还需要有一个数据处理模块，如果说分析模块是大脑，收集模块是手脚的话，那么处理模块就是消化系统。

当海量的数据信息被从数据海洋中抽取出来，需要对这些信息进行加工处理，将它们处理成数据分析模块能够利用的数据模式。

比如某个上市公司一个年度财报，里面的内容非常之多，从人事变更到企业战略，并购行为，利润营收等方面都会涉及到，而这些东西又是关键性信息。一个数万字外加各种图标的财报，其中各种关键信息必须能够被分析模块理解并进行加工，这就是处理模块的主要工作了。

这个数据处理模块主要的功能部分其实是自然语言处理，程序本身是无法理解语言内涵的，它肯定无法理解“定向增发100万限售股”是什么意思，这时候就需要认为给这句话进行赋值，让它变成机器能够理解的数据信息。

比如首先进行意义分割，将定向设定为一个意义单元，将增发设定为另外一个单元，以这种方式将整个句子按照意义单元分割开来，分别进行赋值。

这一套加工手段里面就牵扯到人机交互的语言处理问题，需要人为的帮助计算机去理解和处理人类的语言，让机器能够看懂语法、语意单元，能够联系上下文，能够处理不同语境下同一个词组的不同含义。

简单来说，让机器能够理解人类语言，这就是自然语言的主要目标，同时也是这个处理模块的主要功能。

分析、收集、处理，这三大模块是股神1。0的主要功能结构，但是仅仅如此还是不够的，股神还需要很多的辅助模块。

比如它需要有存储模块，所有的数据信息搜集回来，必须整理加工好，然后分类存储起来，它就像一个超级图书馆一样，必须有自己的分类和存储规则。如果没有这些，你只是简单的将它们堆放在一起，你就可以想象，当你需要从数千万本书籍当中，找出某一页特定内容时，那将会是怎样一个痛苦而又恐怖的过程。

另外股神还需要相应的展示和交互模块，股神作为一个软件，它需要有自己的操作界面，需要能够将处理结果或者过程展现出来，需要能够接收指令，进行人机交互。

这五个模块组合在一起，并且能够顺畅的相互配合了，股神系统才算基本成型，而中间肯定会有各式各类的问题不停冒出来，这都需要莫回逐个解决掉。在使用的过程中，肯定还涉及到不停的跟新和改良，所有这些都将是莫回的工作。

按照莫回的估算，整个股神的体量不太可能低于100万行代码，如果想要让股神尽可能的完美而准确，那它的体量绝对会翻着跟头的往上翻。想要实现什么功能，你就必须付出相应的代价，如果你想要让股神的预测尽可能精确，那么不停的往里投入肯定是必不可少的。

这还仅仅是股神本身，如果想要股神运作起来，那么莫回必然还将面临着带宽的问题，爬虫一旦跑起来，海量数据就会被传回，这些数据至少也是t级的。

在计算机领域，数据大小的单位是1024进制的，一个字节为byte，1024字节为kb，1024k为m，1024m为g，1024g为t。

比如我们手机的存储容量可能是4g，笔记本的存储容量可能是400g，而一台笔记本的400g大概相当于一千部电影。

而股神通过爬虫搜集来的数据肯定是海量的，至少是t级别的，就是跑到p级别也不算是什么大事。比如1p的数据，它大概相当于250万部电影。人的一生也不过3万天，每天看十部电影，也足够看十辈子的了。

在如此大量的数据面前，莫回必然面临一个带宽问题，很容易想象，出租屋里的小区宽带肯定是不好使的。

现在超级本的运算能力已经获得验证了，应该是比较超常的，但是它的存储能力还未测试，如果存储能力不成的话，莫回还必须为这海量数据寻找一个存储空间。

诸如此类的问题还有很多，如果莫回想要把股神完成，并且上线运行，那么他必须像是老黄牛一样，勤勤恳恳的往前走，把这些挡路石一个个的全部处理掉。

本来这些事就是交给一个公司处理，一个成熟的团队来处理，都未必能够处理得很好，现在莫回需要一个人搞定

异类雇佣兵  九层塔  鬼怪ban证厅  暴君的玩物  我悟性逆天，开局上交可控核聚变  虚像  月老志  穿越北宋，回现代遭遇打人事件  冷妻给我爱  山精出动！除妖师的我被绑架  夜明  噢噢噢噢！那莎士比亚式的破烂  如花美眷  你来我走  令我象花一样盛开  爱之上的那一尾扁舟  情非得已嫁给你  卫墟  苍穹任遨游  云伴心君