缺少创建时间并不等于无法维护。可行做法是放弃“按真实上线日期排序”,改用以证据强度分层的维护基线:先给每条链接标注可核对的状态证据,再决定保留、改写还是退出。这个基线不追求还原历史,只回答一个问题——在时间信息缺失的前提下,哪些链接值得继续投入,哪些应当停止维护。
创建时间缺失时,最直觉的反应是找一个替代时间字段,例如最近一次抓取时间、链接首次出现在工具里的时间,或页面快照的日期。这些时间与链接真正生效的时间往往不是一回事:抓取时间取决于你何时开始监测,快照日期取决于爬虫何时经过,都不能当作创建时间的证据。
更麻烦的是,用替代时间排序会制造虚假的先后关系。两条链接可能同月上线,却因为抓取批次不同被排成相隔半年,于是维护优先级被错误地拉开。维护基线的目标不是还原时间线,而是判断当下这条链接是否还有继续存在的理由。时间只是众多证据之一,缺了它,其他证据反而应当获得更高权重。
把每条链接拆成三组可核对的事实,分别记录,不要合并成一个分数:
三组证据各自独立记录,好处是当结论出现冲突时能定位原因。例如来源页仍可访问但语境已被改写,问题出在关系侧而不是来源侧,处理方式也随之不同。
保留适用于三组证据都没有明显恶化的情况:来源页可访问、目标页仍是主推内容、语境仍然成立。此时创建时间缺失不构成处理理由,只需把这条链接标记为“低维护优先级”,在下一轮检查时复核即可。保留的前提是你能说明它当前仍然成立,而不是因为查不到时间就默认不动。
改写适用于来源页仍在、语境已经偏移的情况。典型表现是来源页改版后,链接从正文段落被移到了页脚或相关推荐区,周围文字不再描述你的页面。此时可以联系来源方或在自有内容中调整指向,把链接放回更贴合的语境。改写的前提是来源方仍有沟通渠道,且你判断这条链接的来源价值高于重新获取一条新链接的成本。
退出适用于来源页已失效、目标页已下线且无替代页、或语境已完全无关的情况。退出的动作不是删除记录,而是把状态改为“停止维护”,并注明退出依据。前提是你能给出至少一条可核对的事实,而不是仅凭“感觉没用了”就清掉。
三种处理并非必须同时使用。如果清单里大部分链接的来源页都已失效,那么这一批的基线就应该整体偏向退出,而不是逐条纠结保留条件。
假设你接手一份 200 条的历史链接清单,全部缺少创建时间,且没有历史抓取记录。可以按以下顺序建立基线:
这个顺序的价值在于:每一步都产生可核对的分组结果,而不是一个模糊的“重要程度”。假设第一轮核对后发现来源可访问的比例明显偏低,那么后续维护资源就应当更多投向改写和退出,而不是继续在保留组里做精细排序。这里的分组比例只是用于说明判断方法,不代表任何实际清单的普遍情况。
基线不是一次性结论。建立之后,至少要做一次复核:从每个分组中各抽若干条,重新核对来源页状态与目标页状态,看分组是否仍然成立。如果某个分组在复核中大量迁移到另一组,说明最初的分组依据不够稳定,需要调整证据字段。
另一个容易被忽略的动作是记录“本次未核对”的条目。缺少创建时间的清单往往体量偏大,一轮无法全部覆盖。把未核对部分单独标记,下一轮优先处理,比强行给所有条目一个结论更可靠。维护基线的意义在于让每一次处理都有依据可查,而不是在时间信息缺失时凭印象做取舍。