本文讨论条目来源的一般特征,不针对任何具体页面;文中不出现任何网址。
手动添加:整齐得过头
人工逐条添加的清单,格式往往高度统一:同样的括号、同样的分隔符、同样的描述长度,甚至同样的缩写习惯。这种整齐是时间的产物,也是判断的依据。缺点是更新慢,一个人一天能加的数量有限,所以条目总数通常不大,或者增长有明显的停顿——比如每月初多几条,其余时间不动。人工添加还有一个特征:条目之间有取舍,某些明显同类的东西没有收录,说明整理者做过选择,而不是见一个收一个。这类清单的条目往往带一句自己写的备注,备注的语气也能看出是同一个人写的。
程序抓取:带着残留
抓取来的条目常带原始环境的残留:标题里剩下的站名后缀、被截断的描述、成批相同的添加时间、写成一串数字的日期。它们的优点是量大、更新快,缺点是不辨别质量,失效的也照收,重复的也不去重。看到一批条目时间完全相同、格式略有差异、描述长度参差不齐,基本可以判断是抓取。抓取区还有一个特点:条目之间的主题跨度极大,因为筛选是按关键词而非按用途做的。抓取区若出现同一条目重复两三次,且名称略有差异,几乎可以确定是多次采集叠加的结果。
访客提交:集中且不稳定
访客提交的条目通常集中在页面的某个区块,比如“最新收录”或页脚,格式最不统一,因为每个人写法不同:有人只写名称,有人写一整句推荐语,有人附上自己的联系方式。这类来源的好处是能覆盖整理者不知道的条目,坏处是无法校验,也最容易夹带推广。三种来源混在一页时,区块位置就是最好的线索:主体区多半手动,中段的密集列表多半抓取,页脚或独立小栏多半提交。
可执行检查单
- 01看格式统一度:过于统一的像手动,带残留的像抓取,杂乱的多为提交。
- 02看时间戳:整批同一时刻出现的条目,多半来自一次采集。
- 03看区块位置:集中在页脚或“最新”区的,通常是访客提交。
一个常见问题
来源混合的清单该怎么读?
按区块分开读。把手动区当主体,抓取区当补充,提交区当待验证。不要用一个标准要求整页,也不要因为某一区质量差就否定全部。混合本身不说明好坏,说明的是整理者没时间逐一处理。读的时候可以先看手动区的取舍逻辑,理解这份清单的编辑意图,再用抓取区补范围,最后对提交区保持怀疑。
来源决定期待
条目从哪来,决定了它准不准、新不新、会不会被清理。看清来源,你就能预判这份清单的短板在哪里:手动区怕停更,抓取区怕死链,提交区怕夹带。预判之后再用,失望会少很多。这份预判也不需要工具,只需要看格式、看时间、看位置三样。若一份清单三个区块都有,就不要指望它整体一致;分区对待,比求一个总评更接近实际。