10 月 8 日 23:40,第 3 组条目从 812 条回滚到 779 条
我在逐条比对时发现第 3 组有 33 条标题不同、正文完全相同的重复项,清掉之后总数从 812 掉到 779。这 33 条里有 21 条来自同一次批量导入,时间戳全部是 9 月 27 日 14:07 到 14:09 之间。
本周更新记录的是 2026 年第 41 周的逐条复核:条目总数、重复率、失效链接占比,以及我为什么认为「以条目数论英雄」这件事本身就是一场自欺。所有数字都来自我 10 月 8 日晚的本地清点,不是二手转述。
我在逐条比对时发现第 3 组有 33 条标题不同、正文完全相同的重复项,清掉之后总数从 812 掉到 779。这 33 条里有 21 条来自同一次批量导入,时间戳全部是 9 月 27 日 14:07 到 14:09 之间。
陈默在 10 月 7 日晚上 21:15 发给我一份 1,240 行的导出表,说「应该没问题」。我打开第一件事就是看分隔符——果然,第 117 行起有三个字段被合并进了标题列。我把错位截图发给他,他回了一句「啊,那批是手填的」。
说实话,把「49图库统计」做成一个比拼条目数的排行榜,是我见过最没意义的做法之一。779 条干净的记录,比 812 条掺了 4% 重复的更接近真相。数字大不代表覆盖广,只代表录入的人手快、审核的人手软。
10 月 10 日下午两点到四点,我坐在区图书馆三楼靠窗第二张桌子,把 49 个返回 404 的地址一条条抄进 B5 本子。抄到第 31 条时旁边有人问我是不是在记实验数据,我说是记残骸。他笑了一下。
第 6 组统计出 57 条失效,占该组 903 条的 6.3%。我逐条追踪域名,发现其中 49 条都指向 2024 年 5 月上线、2025 年 11 月就停更的那个镜像站。一个镜像挂了,整组数据就被拖进泥里,这种事每次都要重演。
我写了一段 40 行的脚本,把逐条翻页的人工耗时从估计的 9 小时压到 20 分钟。差距是 27 倍,不是我吹的,是我拿秒表掐的。工具方法写在 qq浏览器打开文件夹 的整理笔记里,愿意照抄就照抄。
我把本地的 779 条和查询系统导出的结果做了一次交集比对,32 条标题存在一字之差的冲突,比如「资料索引」对「资料检索」。这种差异看着小,做检索时就是两条互不相认的记录,必须人工判。
张工在电话里说:「你数的是条目,还是可用的条目?」这句话我听进去了。11:02 挂掉电话,11:20 我把表格里「总数」这一列的名字改成了「录入总数」,另起一列「可用条目」。一个词的区别,决定了这张表有没有意义。
那份更新日志里写「优化条目去重逻辑」,但没写日期,也没写删了多少条。我对着我 9 月的备份反推,估计少说动了上百条。更新日志不写量级,就等于没写,这是我这周最想对做日志的人说的一句话。
这两条我不做评价,只做登记:10 月 10 日 16:48 复核时,前者的页面文案和上月一致,后者的入口说明有轻微改动。登记在案,是因为统计这件事最怕的就是「当时没记」,事后谁也说不清。
我是江晚,做数据核对和资料整理已经九年,前六年在一家行业研究机构做数据库质检,每天的工作就是把别人觉得「差不多就行」的表格逐行拆开看。2024 年我开始独立维护「49图库统计」,起因很简单:我在一次内部评审上发现,同一份资料被三个团队引用了三个不同的条目数,而没有人能说清哪个是对的。
我做这个站不是为了给谁排名,而是想留下一条能被复查的记录链——每个数字都标清来源、清点时间和剔除理由,错了就认,改了要写。这个站每周更新一次,慢,但每一期我都能拿出底稿。
你数的是条目,还是可用的条目?——张工,2026 年 10 月 9 日 11:02 电话中原话,江晚记录