重标一次，2018 年那条就没了

一次很普通的增量抓取：59 个页面，全部正常，零缺口，26 条路线全都连续。 档案本身干净得没什么可说的。

重新生成一遍样张站，diff 里有 325 个页面变了。绝大多数是「最后一次看到」 那一行的时间戳——这次抓取又看见了它们，仅此而已。 真正有内容变化的只有一小撮，而其中一页是这样的：

movie/3541415.html  《盗梦空间》

- <span> · 2018-01-03</span>
+ <span> · 2026-09-04</span>

- 真好看啊，之前看了一下剧情解密才理解了这个结局。 //2015-08-26 …
+ 精彩，真的精彩，开放式结局竟有一丝丝哀伤，下周二去看奥德赛！

- <h2>说过什么</h2>
- <h3>2018-01-03 21:15:28</h3>
- <p><em>广播 · 看过 · ★★★★★</em></p>
- <p>真好看啊，之前看了一下剧情解密才理解了这个结局。 //2015-08-26 …</p>

换掉的那部分是对的：这部电影确实是这天重新标记的，短评和标签都换了新的。 但「说过什么」整栏没了。 那是 2018 年发出去的一条广播， 豆瓣自己早就不显示它了—— 这份档案里留着它，正是这个工具存在的理由。

同一时刻，2018 年那个月的广播页上也少了点东西：

broadcast/2018-01.html

- <a href="../movie/3541415.html"><img src="../covers/p513344864.jpg"…></a>
-   看过 <a href="../movie/3541415.html">盗梦空间 / Inception</a> ★★★★★
+   看过 盗梦空间 Inception‎ (2010) ★★★★★

链接没了，封面没了，剩下一行纯文字。

两条标记是从哪来的

用户在豆瓣上把《盗梦空间》删掉，然后重新标了一次。 豆瓣的做法是发一个全新的条目编号：

1299196346   2018-01-03  ★5  「真好看啊…」        ← 上一次抓取还看得到
4937138397   2026-09-04  ★5  「精彩，真的精彩…」  ← 这次新出现的

解析器把它们记成两条记录。这是对的，而且是刻意的： 两个不同的上游编号就是两次不同的标记， 这恰好是豆瓣页面上那个 data-cid 唯一能看见、 而降级方案看不见的东西。档案层是一本事件日志， 「他 2018 年标过一次、2026 年又标了一次」是两件真实发生过的事， 必须都留着。

网页不能跟着分

生成站点的那一层不是事件日志，它是一张「当前是什么样」的缓存， 而一部电影只有一个网址。它对「两条标记」这件事一句规矩都没写，于是同时踩了两个坑， 两个都不出声：

• 两条标记算出同一个文件名，后写的把先写的整个盖掉。 谁活下来取决于它们在数组里的先后，不取决于任何判据。 页数没变，所以 git 上看不出来——2018 年的短评和标签就是这么没的。
• 「一个作品编号出现了两次」被当成了编号撞车， 于是拒绝把广播接回作品页。链接、封面、整栏时间线一起消失。

「撞车」那条规矩，本来问的是另一个问题

广播卡片上只有一个数字编号，没有说这是电影还是书。而不同类别的编号各排各的， 理论上会撞。撞了还硬接，页面上就会出现一条指向另一部作品的链接—— 那比不接严重得多：不接只是少个链接，接错了是档案在说假话，而且看不出来。 所以规矩是「撞了就不接」，这条完全正确。

问题出在它怎么判撞车：数一数这个编号出现了几次。 在「一个作品最多一条标记」的年头里，这个数法和「跨类别撞车」是一回事。 用户第一次删掉重标，两者就分了家—— 同一部电影的两条标记指向的是同一页， 哪来的歧义。

修法

在生成站点的入口按「类别 + 作品编号」把标记归一次组：

• 页头取「最后一次看到」的那条。 豆瓣现在还留着的，才是最近一次抓取里出现过的那条。 按标记日期挑是错的——补标一部老片可以填一个更早的日期， 而它在豆瓣上仍然是现存的那条。
• 被顶掉的那几条并进时间线。 于是 2018 年那次的短评、评分、日期都还在页面上，位置也对， 而不是假装从没发生过。
• 页脚那句「这条记录有 N 个版本」把它们都算上。 说「只有 1 个版本」而下面明明列着两次标记，是自相矛盾。

修完之后那一页是这样的：

<h2>说过什么</h2>
2026-09-04 17:37:44   广播 · 看过 · ★★★★★   精彩，真的精彩…
2018-01-03 21:15:28   广播 · 看过 · ★★★★★   真好看啊，之前看了一下剧情解密…

这条记录有 2 个版本

2018 年那个月的广播页则一个字节都没变——链接和封面回来了。

我加的那道守卫是废的，突变测试当场抓到

顺手把「撞车」的判据也从「出现几次」改成了「类别一样吗」，看起来更对。 照惯例做突变测试：把它改回旧写法，看有没有测试变红。

一条都没红。

原因很简单：归组已经保证了每个「类别 + 编号」只剩一条， 到了那一步还能撞上的，只可能是跨类别—— 我新加的那句比较永远为真。 它不防任何东西，只是读起来像有人在看着。 删掉， 换成一行注释把这个上游保证写清楚。

但同一次测试也告诉我：另一处判据是真的要改。 广播往作品页里送时间线走的是另一条路，它读的是原始档案， 确实会看见两条标记。这两个方向必须分开测—— 一边接得回、另一边接不回的话，广播卡片上有链接、作品页上却没有那段历史， 两边对起来还是「平」的，谁都看不出是谁错了。

测的判据是秒：标记只精确到天，只有广播带秒。 那一行要是退化成「天」，就说明广播根本没接进来。

它是怎么被发现的

不是靠评审，也不是靠任何一条报警。是把一份没见过的新数据 喂进去跑一遍，然后一页一页读 diff。

这已经是第三回了： 解析器那两个 bug、 放错目录的那四份档案， 都是换一份数据跑出来的，不是看代码看出来的。 而这一次尤其说明问题——它没有任何征兆： 不报错，不告警，页数不变，零新增零删除。 唯一的痕迹是某一页里少了三行。

所以「重新生成之后要数一数有没有页面被删掉」这个习惯， 这次没有救到我们：一页都没被删。真正救回来的是逐页读内容。

顺带：首页的广播预览从 2 条变成 5 条

改的时候正好在看首页。广播是首页上唯一能看见原话的地方—— 作品那几栏是一排封面，日记和影评是标题加 80 字摘要。 两条撑不起「这份存档里有话」这件事。

它原来和长文共用一个数字，现在分成两个：长文一篇就占掉一屏， 给五篇等于把下面所有栏目推下去。共用一个常量，调其中一个必然连累另一个。