番号数据集怎么建
番号数据集 = 结构化的番号 metadata 集合，用于研究、分析、开发工具。建集分为字段设计、数据源、清洗、去重、更新五步。
字段设计（推荐 schema）
| 字段 | 类型 | 必填 |
|---|---|---|
| fanhao | string | 是 |
| prefix | string | 是 |
| label | string (厂牌) | 推荐 |
| series | string | 推荐 |
| title | string | 推荐 |
| release_date | date | 推荐 |
| actresses | array<string> | 可选 |
| director | string | 可选 |
| duration_min | int | 可选 |
| version | enum (original/vr/hd/censored/uncensored) | 可选 |
数据源选择
- 官方源：厂牌官方公告、官方目录
- 数据库源：现有番号库导出
- 爬取源：合规抓取公开网页
清洗流程
- 字段格式化（大小写、日期格式、字符编码）
- 字段校验（正则验证番号格式）
- 去重（见《番号列表去重方法》）
- 跨源合并（同一条从多源收集时字段合并）
- 纠错（见《番号纠误方法》）
更新机制
- 增量更新：只抓新发行部分
- 周期性全量校验：每季度全量对照修正历史错误
- 用户纠错入口：接收外部反馈
存储与访问
- 结构化存储（关系数据库 / NoSQL）
- 查询接口（SQL / API）
- 导出格式（CSV / JSON / Parquet）
合规提醒
数据集只存储 metadata，不存内容资源。爬取需遵守目标站的 robots.txt 和使用条款。
免责声明：本站仅整理公开可查询的命名规则、编号索引、演员基本资料等元数据信息，不提供、不链接、不引导任何形式的内容资源获取。所有数据均来自公开渠道，如有信息不准确请通过纠错反馈。