栩栩若生

  graph LR
    subgraph sample
      subgraph raw
        s1a_raw{{sample_1-a}}
        s1b_raw{{sample_1-b}}
        s2a_raw{{sample_2-a}}
        s2b_raw{{sample_2-b}}
        s3_raw{{sample_3}}
      end

      subgraph combine
        s1_combine[sample_1]
        s2_combine[sample_2]
        s3_combine[sample_3]
      end

      subgraph fixed
        s1_fixed(sample_1)
        s2_fixed(sample_2)
        s3_fixed(sample_3)
      end

      s1a_raw -- replenish --> s1_combine
      s1b_raw --> s1_combine
      s2a_raw -- replenish --> s2_combine
      s2b_raw -- replenish --> s2_combine
      s3_raw -- clean up --> s3_combine

      s1_combine -- fix --> s1_fixed
      s2_combine -- fix --> s2_fixed
      s3_combine -- fix --> s3_fixed
    end

    subgraph crawler
      source_1([108shu.com]) --> s1a_raw
      source_2([aidusk.com]) --> s1b_raw
      source_3([ixsw.la]) --> s1b_raw
      source_4([m.wxsy.net]) --> s2a_raw
      source_5([wxsy.net]) --> s2a_raw
      source_6([xswang.com]) --> s2b_raw
      source_7([zhihu.com]) --> s3_raw
    end

数据爬虫来源

• 108shu.com ：http://www.108shu.com/book/54247/

• aidusk.com ：http://www.aidusk.com/t/134659/

• ixsw.la ：https://www.ixsw.la/ks82668/

• m.wxsy.net ：https://m.wxsy.net/novel/57104/

• wxsy.net ：https://www.wxsy.net/novel/57104/

• xswang.com ：https://www.xswang.com/book/56718/

• zhihu.com ：https://www.zhihu.com/column/c_1553471910075449344

爬虫样本分析

原始爬虫得到5份三组不同 raw 数据：

• sample_1-a

• sample_1-b

• sample_2-a

• sample_2-b

• sample_3

经过简单合并后可得到三份初始 combine 样本：

• sample_1

• sample_2

• sample_3

三份样本进行对照合并，修复各类语法词汇错误、违禁屏蔽词等，得到最终的三组 fixed 样本。