魔爪文学

手机浏览器扫描二维码访问

027 数据采集器的进化 自动化的起点（第1页）

陈帆把手机塞回裤兜，没回短信，也没再看第二眼。他转身走进街角的公用电话亭，投币拨通了市科委实验室的线路。电话响了四声，自动答录机启动，他听见自己三天前录下的测试语音：“服务器运行正常，数据采集器待命。”他挂了电话，抬脚往老城区方向走。

天快黑了，风从巷口斜穿过来，吹得他衣角贴在腿上。他走得不快，脑子里还在过刚才那条短信的措辞。不是深圳那边问你——是“**深圳那边问你**”。七个字，没称呼，没落款，却像一道指令落下来。他没去想背后是谁，只清楚一件事：系统现在必须更快、更独立，不能再依赖任何人的接口，也不能再卡在人工录入的瓶颈上。

三轮车停在教学楼后门，他把背包和一台二手扫描仪搬下来，锁好车，直奔三楼307教室。

门一推开，灰尘在斜照进来的路灯下浮着。他没开大灯，只拧亮桌边的台灯，屏幕映出他刚进门时的脸。服务器风扇转着，绿色指示灯稳定闪烁，数据库日志显示最后一次更新在二十分钟前，是他离开证券公司前设定的自动同步任务。他插上U盘，把今天带出的核心参数导入本地环境，然后打开一个命名为“DataCapture”的文件夹。

里面是过去三个月他亲手抄录的《中国证券报》剪报电子版，共八十七张表格，每一行数字都来自凌晨四点的逐字核对。他盯着这些数据看了一会儿，双击运行新写的OCR识别程序。

界面弹出来，灰底黑字，没有图形按钮，只有一行提示：“加载模板库中……”

几秒后，弹出进度条。第一张报纸扫描图被载入，系统开始逐行扫描表格区域。边缘增强算法启动，图像变清晰了些。识别进程跳到30%时，程序卡住，内存溢出提示跳出。他关掉窗口，调低分辨率，重新运行。

第三次尝试，识别完成。结果对比显示，印刷体数字准确率92.1%，但手写批注区错误频发，尤其是“—”和“0”混淆，“6”被认成“8”。他记下错误类型，打开代码编辑器，手动添加规则：当字符高度低于阈值且笔画闭合不全时，优先匹配负号；连续两个相似误判则触发人工复核标记。

他保存更新版本，重命名程序为“DataHarveter_v0.2”，然后放进后台定时任务，每小时自动处理一张新扫描图。屏幕右下角时间跳到晚上八点二十三分，第一轮测试结束，六张报纸数据成功转入Acce数据库，仅三处需人工干预。

他正准备记录日志，门外传来脚步声。

林悦推门进来，手里提着饭盒，发梢沾了点雨气。她把饭放在桌上，没说话，先看了眼显示器。“又通宵？”

“还没开始。”他说，顺手点了点鼠标唤醒屏幕，进度条正跳向第七张。

她走近看：“这东西真能认字？”

“现在能认九成。”他靠在椅背上，声音有点哑，“剩下的，得人来补。”

“哪九成？”她问。

“印的。手写的不行。”

她拉开椅子坐下，接过鼠标：“那我就补手写的。”

他没拦她。她打开另一台终端，调出原始扫描图与识别结果对照界面，一边核对一边标注修正项。两人没再说话，只有键盘敲击声和偶尔的提示音。窗外天色彻底暗下来，远处高架桥上的车灯拉出细长的光带。

到夜里十一点，三十二张报纸数据完成迁移。林悦揉了揉眼睛，指着其中一条记录：“这个‘涨幅’后面的手写数字，你看是‘5.3’还是‘6.3’？”

他凑过去看，放大图像。纸面有折痕，墨迹晕开了一角。他拖动对比工具，调出同一位置的前日报纸字体样本，比对笔锋走向。

“是5。”他说，“收笔没有上挑。”

她点头，输入修正值，提交入库。

静了几秒，她忽然说：“你说机器是为了省时间，不是替人。可你现在做的，是不是让机器慢慢学会替你做决定？”

他摇头：“它只是读字。怎么用这些字，还是人在定。”

她没再问，合上笔记本，起身收拾饭盒。走到门口时，她停下，从包里抽出一张便签纸，写下一行字，贴在显示器边框上：“别忘了睡觉。系统重要，人更重要。”

门关上后，教室只剩他一个人。

他盯着那张便签看了两秒，转头看向服务器状态面板。网络连接正常，硬盘读写频率稳定。他打开另一个项目目录，双击进入“WebCrawler_Tet”文件夹。

这是他昨天就开始写的网页抓取脚本。基于VBScrpt，调用Wet&bp;AP模拟HTTP请求，目标是“新浪财经”首页的早盘快讯栏。他知道1998年的网站大多不用动态加载，内容直接嵌在HTML里，只要找到规律，就能批量提取。

他启动程序。

命令行窗口闪出几行返回码，接着输出一段HTML源码。标题抓到了，发布时间也解析出来，但正文链接全部为空。他检查网页结构，

;发现部分条目用了JavaScrpt跳转，而他的脚本无法执行脚本代码。

他改用最笨的办法：手动分析URL规则。发现某些栏目页面的路径遵循“earmothda_ew_编号.html”格式。他根据当天日期生成一组预测链接，逐个发起请求。

第四个链接成功返回内容。是一条关于央行票据发行的消息，共三百二十七字。他让程序将文本清洗后存入数据库，并标记来源和时间戳。

效率很低。每请求一次，拨号网络要等待十五到四十秒，断线两次后自动重拨。他设定循环间隔为六分钟，预计每小时最多抓取十条有效信息。

凌晨一点十七分，爬虫完成首轮二十四小时周期测试。共获取八十三条新闻记录，其中完整正文五十九条。他导出数据，与当日《中国证券报》进行交叉比对，重复率64%，新增信息源来自地方股评栏目和交易所公告摘要。

他靠在椅背上，闭眼三分钟，脑子却还在跑流程。OCR识别已经半自动化，每天能消化三十张报纸；网络爬虫虽然慢，但只要不断线，就能持续填充数据库。这两条数据流一旦并行运转，系统的更新频率就能从“每日手动推送”变成“准实时滚动”。

他睁开眼，打开数据库管理界面，新建一个名为“DataSource_Mere”的视图，将OCR录入表与爬虫抓取表按时间戳合并。刷新后，屏幕上出现一条连续的时间轴，最早是早上六点零三分，一条关于外汇牌价调整的简讯，来自网页抓取；最新一条是七点四十八分，某钢铁厂产能扩张的报道，来自昨日报纸扫描。

中间没有断层。

他手指停在回车键上，又按了一次刷新。数据流缓缓推进，像一条开始流动的河。

他打开记事本，写下一行部署计划：

-&bp;明早八点，扫描剩余报纸；

-&bp;上午优化OCR误判规则；

-&bp;下午重构爬虫逻辑，加入断点续传和失败重试机制；

-&bp;晚上测试双源数据自动校验功能。

写完，他插入一张空白CD-R，将整个“DataHarveter_v0.2”项目打包刻录。光驱读写完毕，他取出光盘，在标签上写下日期和版本号，放进抽屉。

抬头看墙上的挂钟，指针指向两点零五分。

他没动，也没起身关机。服务器风扇依旧低鸣，屏幕上的数据流仍在缓慢更新。他盯着最新一条入库记录的发布时间，轻声说：“开始了。”

就在这时，电话响了。

;

请关闭浏览器阅读模式后查看本章节，否则将出现无法翻页或章节内容丢失等现象。