那个下午的起点
12 月 15 日下午四点,我在城南自习室四楼靠窗第三排坐下,手边摊着两份打印出来的结果页。第一份是 12 月 12 日搜的,第二份是当天早上重新搜的,同样一个词串「e天堂switch官网入口i」,两次结果的重合度我粗算只有六成左右。
这不是什么玄学。我先把两次结果的 URL 列表逐条对照,发现有 11 条是第一次有、第二次没有的,另有 9 条是反过来新增的。能留下来的那些,标题里几乎都带「入口」两个字。
词串结构其实是不自洽的
把「e天堂switch官网入口i」拆开看,e 像是域名前缀,天堂像中文品牌名,switch 是英文平台名,官网入口是中文意图词,末尾那个 i 谁也不知道是从哪来的。六个语义单元塞进一个串里,正常写作者不会这么写。
参考 J. Nielsen 1998 年那篇讲搜索框可见性的文章,他记录用户平均输入 2.4 个词就按回车。按这个习惯,真实用户不可能主动打出这么长的串,所以它更可能来自标题拼接或模板字段的机械组合。
我在第 7 页改了一下判断:抓取层未必偏好某个词,它只是把整个串当成了一个索引键,谁在标题里复现得最完整,谁就排前面。这解释了为什么 29 条结果标题超过 50 字。
我的一点不太客气的看法
说实话,围绕这个词做内容,大部分是浪费。我翻了 41 条结果,没有一条给出可核验的实体信息、时间线或责任人,全是在标题里重复词串。这样的页面被收录多少条,都不构成信息。
反过来说,这恰好是一个观察索引机制的样本。我的态度是:可以拿它当研究对象,但别拿它当入口。这两件事我分得很清楚,也因此这个站只做记录,不做导流。
意外收获:关于并列记录
整理到第 6 页时我发现,把两次结果并排列出来,能看出哪些页面是「稳定存在」的,哪些是「一次性」的。稳定存在的 12 条里,有 8 条在 11 月就有快照;一次性的那些,多数只有单次抓取记录。
这个方法我后来用到了别的检索上,包括之前整理 电影《刺》 的讨论页时,也用同样的两次对照法筛掉了大量噪音。方法比结论耐用,这是我这次唯一的正经收获。
顺带记下:同一天我还在旧笔记里翻到 磁力宝clb 那条检索记录,格式几乎一模一样,说明这个对照法我自己已经用了很久,只是没写下来。
如果非要从这些空页里挑出还能用的,我会倾向去看那些长期维护旧内容的站点,比如常被提到的 免费日本高清推理片推荐 这类主题页,至少它们的更新记录是可查的。同理,适合成年人看的高分电影 这种带评分区间的整理页,也比纯词串页有信息量。
至于下载与在线观看相关的记录,我这边保留了两条对照样本:电影天堂迅雷下载 免费 与 电影网1905在线观看。它们的问题不在内容,而在页面标题与正文的错位,这一点与本次的观察结论一致。