风华居 > 游戏竞技 > 绝对掌控 > 第十一章 数据海洋和爬虫

第十一章 数据海洋和爬虫(2 / 2)

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。

最新小说: 神明调查报告 年代:从农村到四合院 哪有大魔王,我只是联盟喜剧人! 完美犯罪 我来到了英格兰特兰米尔做教练 公路求生:我被拉进了管理群 万物寂灭,吾以千变破之 我的能力池高人一等 让你打NBA,谁让你泡女星? LOL:LPL天才老年新人