027 数据采集器的进化：自动化的起点（2 / 3）

nbsp;“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_Test”文件夹。

    这是他昨天就开始写的网页抓取脚本。基于VBScript，调用WinInet API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JavaScript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“year/month/day_news_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