昨天下午三点多，我在城南那条旧货街上的一家小书店里翻纸箱。店主姓陈，六十来岁，店里堆着七八个装满过期画报的纸箱，纸箱受潮，边角全软了。我本来是去找一本 1992 年的《人民画报》合订本，结果在箱底摸到一张剪报，十六开大小，剪自某份已经说不清名字的地方报纸，图片是一排站在工厂门口合影的人，黑白印刷，颗粒粗得能数出网点。剪报右下角有一行圆珠笔手写的编号，被划掉一次，又重写过一次，两次字迹颜色不一样，第二次是蓝黑色，笔压很重，几乎把纸划破。
我把这张剪报拍了照，回来以后打开自己的收录后台，把它和库里已有的条目逐一比对。这件事听起来很小，但它让我意识到一个此前一直被忽略的问题：我们做在线49图库的收录时，长期把「编号」当作主键来用，而实际上编号这个东西，在过去几十年里是被人反复修改过的。同一张图，可能因为一次重编号，被系统当成两张不同的图；也可能因为两次编号恰好撞号，被合并成一张。我那晚从七点一直坐到十一点半，把这次比对涉及的四百多条记录重新翻了一遍，改掉了十一条判重规则。
编号不是主键：一次比对带来的三个具体修正
下午四点在店里，我蹲在纸箱旁边给陈师傅看那张剪报，问他这批画报是从哪儿收来的。他说是城西一个印刷厂家属院清出来的，姓周的老太太托他处理的，一共二十九箱，老太太只留了话说「有用的你留着」。这句话后来成了我判断这批素材来源的唯一边界条件。回到后台，我把这批图像按「印刷厂家属院」贴了来源标签，再按纸张尺寸和网点密度做了分组，最后得出一条相当朴素的结论：同一批实物来源的图像，即使编号不同，也有很高的同源概率；而同一编号下的图像，未必同源。这就是那十一条规则的由来。
具体动作上，我做了三件事。第一，把「编号」从必填主键降级为「历史标识」，与「来源批次」并列存证，且允许一对多；第二，新增了「纸张尺寸 + 网点密度」两个弱字段，用于跨编号的同源推测时做加权；第三，把人工复核从「抽样 10%」改成「编号被修改过的条目 100% 复核」，原因是这类条目出错概率最高——我看到的那张剪报，编号就被改了两次。这套改动跑完第一轮，库里归并出的重复图像一共是二百一十七条，其中十九条来自同一张实物被反复扫描。说实话，这十九张我逐一看过，最后只保留了最清晰的一张，其余全部转为「副本」状态而不是直接删除，因为副本关系本身也是编目信息的一部分。
关于采集规则，我有一个可能不太受欢迎的看法
说到这里，我得讲一个明确的个人观点：我认为在图像收录这件事上，追求「覆盖率」是一种非常廉价的目标，而追求「可解释性」才是真功夫。现在很多收录项目喜欢报出「已收录 XX 万张」这样的数字，但当你随手点开其中二十张，问他这张图从哪儿来、哪一年、经过谁的手、为什么判定它和另一张是同一张，答不上来，那这个数字本质上没有意义。我在做在线49图库的这一年多里，宁可让收录量少增长两成，也要给每一张图保留可追溯的来源字段和比对记录。这话说出来可能得罪人，因为覆盖率是最容易向上交代的指标，而可解释性是最难交代的。但我还是这么想：一张说不清来路的图和没有这张图，在检索价值上其实差不多。
有意思的是，这次修改规则之后，站内访问的停留时间反而变长了——大概是多了「来源」和「副本关系」这些可读字段，让人愿意多看一眼。我不认为这是某种优化技巧，它只是编目做扎实之后的自然结果。顺手提一句，之前有读者在后台问我关于镜像站失效后的处理办法，我在49图库网站恢复方法里整理过一次流程，核心还是先核对来源批次，再判断是路径问题还是素材本身缺失，顺序反了会白忙很久。
意外收获：一次误判教会我的检索方法
今天最让我意外的，不是修好了规则，而是这次比对让我发现了一种更好的检索路径。晚上九点左右，我拿那张剪报的局部图做了一次反向比对，系统给出三个候选，按原有的相似度排序，第一名其实是一张完全无关的广告页，第三名才是真正的同批图像。我去查原因，发现第一名的相似度被「边缘噪点」抬高了——因为两张图都受潮，纸面污渍的形状碰巧接近。这个错误很蠢，但它提示我，在低质量扫描件上做比对时，边缘区域的权重必须压低，否则污渍会压过主体。第二天上午我调整了权重分布，重跑了一遍库里的三万余条记录，误判率从百分之一点七降到千分之四。这种降幅看着漂亮，其实只是因为原来的权重错了很久，谁先发现谁受益。
下午陈师傅给我发了条微信，说那二十九箱已经处理完了，剩下的废纸都卖了，卖了三百六十块钱。他问我还要不要，我愣了一下，回他：那批里凡是带手写编号的纸，如果还没送走，我全要。他隔了十分钟回了一个字：留。我打算这周末再去一趟，把剩下那些带编号的纸逐张过一遍相机。这不是什么宏大的计划，但我觉得，收录的活儿就是由这样的周末累积起来的。另外也提醒我自己，站上有些旧文比如永不收费的网站里的那套承诺，写得太轻率了，现在看应该补一句「不收费≠不负责」，不然容易被人误解成随便什么都往上堆。
最后补一条今天才确认的技术细节：这批剪报的圆珠笔油墨已经渗进纸纤维，扫描时在红外通道下几乎不可见，所以如果只扫可见光，编号会糊成一片。我改成先拍一张可见光图留档，再用偏高对比度扫一遍，两版都存进记录里。这个做法有点笨，也慢，但它让我可以对着原图逐笔核对那两次修改的前后顺序。类似的细节在过去一年里积了不少，我通常会随手记在编目备注里，而不写成正式文档——不是懒，是这些东西太零碎，一旦格式化就失真了。至于新奥门49491历史记录那种按时间轴整理的条目，我暂时还没想做，一是素材不够，二是时间轴一旦立起来就很难再改字段，我倾向于等这批家属院素材全部理完再决定。
记录时间：2026-01-23 傍晚，写于城南家中。
本次涉及素材：剪报 1 张、过刊 29 箱、重跑记录约 3 万条、归并重复图像 217 条、保留副本 19 条。
