ARTICLE · 1398968
我给日历 App 定了一条规矩:没有出处的一天,不收
做日历数据,最难的不是"找到日期",是"决定不收什么"。
一开始我以为这活儿很简单:网上搜一个"节日大全",复制进表,完事。真做起来才发现,网上那些清单里混着大量说不清来历的日子——有的把影视角色生日当节日,有的把网友玩的梗当纪念日,还有的把一次普通新闻事件写成"XX 日"。
这类东西收进去,App 看着热闹,但经不起问一句"这天哪来的"。
后来我给数据定了四条准入规矩,分享出来,因为它不只适用于日历。
规矩一:只认有层级的来源
我把来源分成两级:
· A 级:官方发文和权威机构。比如国务院办公厅的节假日安排通知、全国人大常委会的决定、人民网·中国共产党新闻网的党史栏目、新华社、人民日报、中央党史和文献研究院。
· B 级:程序化基础库和权威百科。比如锁定版本的 holidays 库(60+ 国法定假日)、cnlunar(农历与 24 节气算法)、UN/UNESCO 的国际日清单。
维基百科这类,我只把它当选题线索——看到某个日子,顺着它的引用去找原始出处;找不到 A/B 级依据的,就不进库。
这一步解决了 80% 的垃圾数据问题:不是判断"这个日子像不像真的",而是判断"它有没有一个能追溯的出处"。
规矩二:名称照录官方表述,不自造
第二条更关键:名字必须从来源原文照抄,不能自己起。
比如一个日子官方叫"中国人民抗日战争胜利纪念日",我不能图省事写成"抗战胜利日",更不能为了排版好听改成"胜利日"。名字里的每个字都有意义,简写会丢信息,自造会失真。
这条规矩还帮我躲过一个大坑:有一次我把一类日子批量改名,用正则把源码里的 `'中文'` 换成 `「中文」`,结果破坏了字符串定界符,一口气改坏 55 处。教训是批量替换字符串前,先想清楚它是不是代码里的定界符——数据清洗最容易在这种"看起来无害"的操作上翻车。
规矩三:只收能年度复现的
节日、纪念日、节气的共同特点是:每年都在同一个日期(或同一条规则算出来的日期)。
所以我加了一条:只收日期固定、或能按明确规则逐年算出来的日子。一次性的事件、某年某次活动,哪怕再有意义,也不进日历——因为它明年不会出现,放进年度数据里只会变成一条永远不对的僵尸记录。
24 节气是这条规矩的一个好例子:它不是一张写死的表,而是按太阳黄经位置逐年算出来的,每年公历日期会浮动一天左右。订阅地址不带年份,跨年自动滚动,才不会出现"去年记的日期今年错了"的尴尬。
规矩四:过闸门,不过就不进
光有规矩不够,得让它可执行。我把四条写成一个校验函数,每条候选数据都要带上 `channel`(渠道)、`source`(来源)、`level`(等级)、`verified`(是否已核实)四个字段,缺一个就进不了库。
这个闸门看着简单,实际挡掉了很多"我觉得该收"的冲动。印象最深的是一些历史日期:某次战役胜利的史实记录,和"官方认定的纪念日"是两回事。前者是历史事实,后者要由权威来源按固定栏目或逢十周年报道逐年回顾,才构成可收的纪念性日子。这套判断不是我拍脑袋定的,是把权威来源的收录规律扒了一遍总结出来的。
结论
数据准入的本质,是把"我觉得"换成"有出处"。
四条规矩归纳起来:
来源分级:A 级官方权威、B 级权威库与百科,线索不等于依据;
名称照录:不自造、不简写,每个字都能回到原文;
年度可复现:一次性事件不进年度数据;
闸门校验:字段齐、核实过,才入库。
这套方法不限日历。做任何需要"沉淀成数据"的事——词库、规则表、知识条目——都可以先问一句:这条的出处在哪?名字是不是照抄的?明年还在不在?
答不上来,就先别收。少一点条目,多一点可信。
(下一篇:名称与类别为什么要分开——一个"小雪"引发的血案)















































































