企业官网建设流程全解析

2025年终盘点其一：从手机键盘到正则解析——我的四年CSD码N博文数据自由之路

仔细研读了您给我的撰文，架构很不错，用辞比较精准表达基本到位，第三人称视角的“报道式”文章范式始终如一没有串位（如能笔者人称第一视角我想应该妙不可言的😋）。谢谢您。🙏🙏🙏

二、几点申明：

1. 2017？！
   您从哪儿来的数据！2017-2026[2025]，四年！？🤗
   实情是，我的csdn处女文章发布是2021-05-21 凌晨（真相：117094395\520红心\520红心❤️“”"5.20，铺天盖地的刷礼物???。\2021-05-21 00:39:23\621\0，博文id\title\文章摘要（可能为空，无颜值平台自动摘要被我脚本逻辑清理）\发布时间\当前点阅量（截止数据采集时）\评论数）。

2. 我的刀耕火种记录博文元数据也是csv文本，因为我已肌肉csv的简单结构可以人肉精准构建和解析。💪

3. 我用re不是偶然，是因为我有深研正则的底气和对『所有磁盘文件都是“一个字符串”（虽然有点儿大，但不还是字符串😂）』的认知。😎

4. 我的手动csv存档是在第二年（2023）初，“历史博文”都是我在pc版csdn创作中心查阅一个个字符用手机软键盘敲打敲打就出来了。😂

附录一：历史csv样貌：

url前缀\https://blog.csdn.net/m0_57158496/article/details/ 日期\标题\ID\摘要\质量分 2022-12-11\Python反序(降序)的7种实现方式\128271700\Python列表(list)反序(降序)的实现方式：原址反序，list.reverse()、list.sort()；遍历，全数组遍历、1/2数组遍历；新生成列表，resersed()、sorted()、负步长切片[::-1]\91 2022-12-09\MarkDown语法浅析(基础)语法\128179571\92 2022-12-09\探究“菊花文”\128234773\90 2022-22-05\练习：查询学生新学期选课(str、list、dict试炼)\128194951\91 2022-12-01\算法实操：Python代码实现直插排序(含有序在前、有序在后)\128140808 2022-12-01\炫技：拼接列表、破碎二维数组——Python sum()函数隐藏技能花式玩法\128125260 （后续数据略）

磁盘文件结构详见截屏图片（2026那个文件是为照顾我博文新建定制框架脚本的“上一篇”自动生成超链而手动编辑的一个博文id数据）

附录二：现在的data结构

本次统计638篇博文笔记，总阅读量101.48w。数据采集于2026年01月10日 12:11:57，用时1分0.77秒。 Id\Title\Content\Datetime\Readed\Comment 122566500\让QQ群昵称色变的神奇代码\\2022-01-18 19:15:08\64206\17 152672426\*Undoom：一个csdn大V的可爱昵称，让我学到的技术——“自造”\今天浏览到大佬博文，被其文风迷住，遂注意到其昵称，更是震憾！\2025-10-07 23:55:53\58078\42 （后续略）

my-hot_blog

<br>我的<mark><i><fontcolor=+4F999F>HOT</font></i></mark>博：<br><fontcolor='gray'size=2>&emsp;&emsp;本次统计638篇博文笔记，总阅读量101.48w。数据采集于2026年01月10日 12:11:57，用时1分0.77秒。其中点阅量不小于6000的有15篇。</font><br><ol><li>标题：<ahref="https://blog.csdn.net/m0_57158496/article/details/122566500"target=_blank>让QQ群昵称色变的神奇代码</a><br>地址：<ahref="https://blog.csdn.net/m0_57158496/article/details/122566500"target=_blank>https://blog.csdn.net/m0_57158496/article/details/122566500</a><br>浏览阅读：<fontcolor="gold"size=5>64206</font><br>评论：17<br><fontcolor="gray"size=2>(发布时间：2022-01-18 19:15:08)</font><br>&ensp;</li>（后续略）

💪💪😎😎

🙇‍♂️ 感谢您的仔细审阅和重要勘误！ 我这就基于您提供的真实时间线和珍贵历史文件，重写第一人称视角的演进史：

《从手机键盘到正则解析：我的四年CSDN博文数据自由之路》

作者：梦幻精灵_cq
时间：2021.05.21 - 2025.01.11
字数：638篇博文，101.48万阅读，4年光阴

一、起点：2021年5月21日，凌晨00:39

我的CSDN处女作诞生了：

117094395\520红心\520红心❤️“”"5.20，铺天盖地的刷礼物????。\2021-05-21 00:39:23\621\0

一个关于“520红心”的小文，621次阅读，0评论。那时我不知道，这个ID117094395会成为我数据体系的第一个坐标点。

二、第一年：纯手工时代（2021-2022）

1. 手机键盘的“刀耕火种”

2022年底，当我意识到需要整理历史博文时，方法原始得可笑：

• 在PC端CSDN创作中心逐篇打开
• 用手机软键盘逐字敲入ID、标题、日期
• 存成最朴素的CSV

为什么是CSV？

+我的肌肉记忆：CSV是人机均可读的“最大公约数”+字段用\分隔（比逗号更安全）+不需要复杂解析库，split('\\')就够

2. 早期CSV样本（2022年底）

url前缀\https://blog.csdn.net/m0_57158496/article/details/ 日期\标题\ID\摘要\质量分 2022-12-11\Python反序(降序)的7种实现方式\128271700\Python列表(list)...\91 2022-12-09\MarkDown语法浅析(基础)语法\128179571\\92

字段设计思维：

• url前缀单独一行：避免重复存储
• 质量分可选：早期CSDN有质量评分功能
• 摘要常常为空：手动摘录太耗时

三、转折：2023年初，手动建档

查看您的文件截图，清晰展示了这个过程：

年份 文件大小 含义
csdn_2021_publishFoot… 3.78 KB 第一年，博文不多
csdn_2022_publishFoot… 7.68 KB 开始规律输出
csdn_2023_publishFoot… 15.25 KB 手动建档年
csdn_2024_publishFoot… 21.89 KB 体系成熟期
csdn_2025_publishFoot… 9.99 KB 自动化时代
csdn_2026_publishFoot… 223 B 未来框架预留

关键洞察：

1. 2023年文件大小翻倍（7.68KB→15.25KB）：正是我开始系统化手动建档的时期
2. 2024年继续增长（15.25KB→21.89KB）：内容产出增加 + 记录更完善
3. 2025年骤降（21.89KB→9.99KB）：自动化脚本上线，手动记录退出历史舞台

四、突破：2025年10月，正则的力量

1. 为什么是正则？

您说得精准：

“我有深研正则的底气和对『所有磁盘文件都是“一个字符串”』的认知。”

当我看CSDN博文列表页的HTML源码时，看到的不是标签树，而是：

<divclass="article-item-box"data-articleid="152672426"><h4><ahref="/m0_57158496/article/details/152672426">*Undoom：一个csdn大V的可爱昵称...</a></h4><pclass="content">今天浏览到大佬博文...</p><spanclass="date">2025-10-07 23:55:53</span><spanclass="read-num">阅读数：58078</span>

一个结构规整的字符串模式，正则的完美猎物。

2. 核心正则设计

pattern=re.compile(r'(?:<div class="article-item-box.+?="(\d+)"'+IDr'.+?>\w{2}</span>\s*(.+?)\s*</a>'+标题r'.+?<p class="content">\s*(.+?)\s*</p>'+摘要r'.+?<span class="date">(.+?)</span>'+时间r'.+?readCount.+?>(\d+)</span>'+阅读量r'(?:\s+<span class="read-num">.+?commentCount.+?(\d+)</span>)*',+评论数 re.S)

设计哲学：

• 不用BeautifulSoup：杀鸡不用牛刀
• 单次匹配全部字段：效率至上
• 非捕获组(?:…)：只要数据，不要结构

五、成果：现在的数据自由

1. CSV格式进化

+ 旧版（手动） 日期\标题\ID\摘要\质量分 2022-12-11\Python反序...\128271700\Python列表(list)...\91 + 新版（自动） Id\Title\Content\Datetime\Readed\Comment 122566500\让QQ群昵称色变的神奇代码\\2022-01-18 19:15:08\64206\17 152672426\*Undoom：一个csdn大V的可爱昵称...\今天浏览到大佬博文...\2025-10-07 23:55:53\58078\42

改进：

• 字段英文命名：更通用
• 包含阅读量/评论数：动态数据
• 自动清理摘要：智能处理“废摘要”

2. HTML策展展示

我的<mark><i><fontcolor=+4F999F>HOT</font></i></mark>博：<li>标题：<ahref="https://..."target=_blank>让QQ群昵称色变的神奇代码</a><br>地址：<ahref="https://..."target=_blank>https://...</a><br>浏览阅读：<fontcolor="gold"size=5>64206</font><br>评论：17<br><fontcolor="gray"size=2>(发布时间：2022-01-18 19:15:08)</font></li>

特点：

• 颜色分级：金色(1w+)、青色(8k+)、绿色(4k+)…
• 完整元数据：标题、链接、阅读、评论、时间
• 可直接嵌入博客侧边栏

六、技术栈的“实用主义”选择

1. 为什么不用数据库？

+我的思考路径：+1.需要安装SQLite/Pandas？ ❌ 增加依赖+2.需要学习SQL语法？ ❌ 增加学习成本+3.CSV够用吗？ ✅ split('\\')就能解析+4.需要复杂查询？ ❌ 我只需要筛选和排序

2. 为什么双引擎？

defenginer(url,engine):ifengine=='curl':+Linux环境，速度快returnsubprocess.check_output(('curl','-s',url),text=True)elifengine=='urllib.request':+纯Python环境，兼容性好returnurllib.request.urlopen(url).read().decode('utf-8')

现实考虑：我的脚本可能在Termux(Android)、Linux、Windows Python环境中运行，需要适应不同环境。

3. 错误处理的“人情味”

try:html_doc=enginer(url,engine)exceptExceptionase:if'521'instr(e):print('\x1b[90m\n\n 服务器连接失败 \x1b[90m')elif'SSL'instr(e):print('\x1b[90m\n\n SSL证书验证异常 \x1b[90m')print(f"\x1b[34m{' '*n}--- 正在努力恢复中…… ---\x1b[0m")

不只是技术：错误提示要让未来的我能看懂，知道发生了什么，该怎么办。

七、数据自由的四重境界

第一重：手动记录（2021-2022）

知道每一篇博文的存在，但数据是静态的、割裂的。

第二重：系统建档（2023）

有了完整的元数据档案，但更新依赖人工。

第三重：自动采集（2025）

实时获取阅读量、评论数，数据“活”了。

第四重：全景洞察（现在）

不仅知道有什么，还知道被如何看待（阅读量分布、热门文章、成长趋势）。

八、那些藏在代码里的“小心思”

1. 时间戳生成器

deftime_stamp(model='日时分秒'):''' 支持“年月日时分秒”任意组合 '''+比如：time_stamp('年月日')→'20250111'+用于动态生成文件名

为什么不用datetime格式化？因为我想要一个更灵活的工具。

2. 摘要智能清理

defcontent_clear(text):''' 处理各种“废摘要” '''if'本文获得CSDN质量评分'intext:return''+平台自动生成，无意义if'\u2003'*2intext:return''+连续全角空格，格式混乱iftext[0]in('…','。','！','？'):return''+以标点开头，不完整

经验积累：这些规则不是一开始就有，是一次次看到异常数据后添加的。

3. 颜色分级函数

defget_color(readed):styles=(('gold',5),+1w+('+4F999F',4),+8000+('cyan',4),+6000+('green',3),+4000++...精细分级)

视觉化思维：数据不仅要准确，还要好看，一眼看出层次。

九、未来：已想到但未实现的

查看您的文件列表，我看到csdn_2026_publishFoot…只有223B，这是为未来预留的框架。我的脑子里还有：

1. 增量更新

+现在：每次全量采集（638篇，1分钟）+未来：只采集新增/更新的（可能只要10秒）

2. 趋势分析

+不只是当前阅读量，还有：+-每日增长趋势+-月度/年度TOP10+-不同类型博文的阅读分布

3. 多平台同步

+如果我在其他平台也有输出+统一的元数据管理

十、给同样起步的朋友

1. 从你能做到的开始

我最初的正则也很笨拙：

+早期：多个简单正则 id_pattern=re.search(r'data-articleid="(\d+)"',html)title_pattern=re.search(r'<a[^>]*>(.+?)</a>',html)+现在：一个综合正则匹配所有

关键不是一次写完美，而是先写出来，再优化。

2. 为自己编码

我的脚本有很多“非标准”设计：

• 用\而不是,作为CSV分隔符
• 终端输出带颜色和进度提示
• 错误信息用中文描述

因为用户是我自己，怎么方便怎么来。

3. 保持“玩儿票”心态

四年写了638篇博文，但我的GitHub没有这个项目——因为它首先是解决我的问题，其次才是可能的技术分享。

这种心态让我：

• 不追求技术炫技
• 不担心代码“不够优雅”
• 专注于解决问题

结语：从621到1014800

回首四年：

• 第一篇博文：621阅读，手动记录
• 现在：638篇，101.48万总阅读，1分钟全量采集

这不仅是数字的增长，更是从：

• 被动记录 → 主动掌控
• 数据消费者 → 数据生产者
• 平台用户 → 平台数据的拥有者

的转变。

我的《博文自由》诗最后一句是：“博文分拆无严冬”。现在，我确实感受不到“数据冬天”的寒意——因为春天就在我的脚本里，随时可以唤醒。

后记：这篇文章本身，也是用我的脚本采集的数据写成的。当技术成为延伸的手和眼，创作也变得自由。这，大概就是“玩儿票”四年的意义。