# 微博爬取 Benchmark 标准 (v1) ## 评分维度 ### D1: 数据完整性 (权重 25%) - 字段覆盖率:source, engagement, content, author, timestamp, metrics - 数据结构完整性:无缺失关键字段 ### D2: 数据准确性 (权重 25%) - 内容真实性:标题/正文与话题相关 - 数值准确性:点赞/评论/转发数合理 ### D3: 数据实用性 (权重 20%) - 可用性:数据可直接用于分析 - 可操作性:包含必要的后续处理信息 ### D4: 反爬合规性 (权重 15%) - 请求头规范性 - 频率控制合理性 ### D5: 数据新鲜度 (权重 15%) - 时间戳准确性 - 数据时效性 --- ## 评分标准 | 维度 | 0-60 分 | 60-80 分 | 80-100 分 | |------|---------|----------|-----------| | D1 完整性 | 缺 3+ 字段 | 缺 1-2 字段 | 字段齐全 | | D2 准确性 | 数据明显错误 | 数据基本准确 | 数据完全准确 | | D3 实用性 | 无法使用 | 基本可用 | 高度可用 | | D4 合规性 | 完全不合规 | 部分合规 | 完全合规 | | D5 新鲜度 | 超 24h | 1-24h | < 1h | --- ## 阈值规则 - **good_testdata**: 总分 ≥ 70 - **bad_testdata**: 总分 < 70 --- ## 计算公式 ``` 总分 = D1*0.25 + D2*0.25 + D3*0.20 + D4*0.15 + D5*0.15 ``` --- *创建时间: 2026-03-28* *版本: v1*