数字足迹体检的数据从哪来：一份报告背后的数据流向

很少有人问体检报告里的数字是怎么来的。看到 72 分和十几条高风险推文，第一反应是照着清单去删，至于这些数字读的是哪份数据、中间有没有上传，通常放到最后才想。数字足迹体检的数据来源其实很具体，它只读 X 归档压缩包里的几个文件，剩下的都靠规则判断。把这条链路说清楚，你才能判断一份报告的可信度到底在哪。

下面按「读了什么、忽略了什么、数据去了哪、为什么对不上」四段拆开讲。

归档里真正被读取的文件

X 归档解压后，data 目录下会有二十来个文件。体检不全部读，只挑跟推文内容和账号轨迹有关的那几个。

文件	提供什么	在报告里的作用
tweets.js	全部历史推文正文、时间戳、互动数	分数与风险清单的主要来源
like.js	点赞记录	判断兴趣倾向与话题暴露面
direct-messages.js	私信往来记录	识别是否泄露过联系方式
phone-number.js / email-address-change.js	账号绑定的联系方式与变更历史	联系信息类风险的旁证
ip-audit.js / account-creation-ip.js	登录与创建账号的 IP 记录	时间线校对与地域推断

tweets.js 是重量级选手，一条推文的文本、时间、点赞与转推数都在里面。其余文件的作用是交叉印证：如果 tweets.js 里某段时间的定位信息很密集，而 ip-audit.js 显示同期登录地在同一城市，这条定位线索的可信度就比单看推文高得多。tweets.js 的内部结构见 归档里 tweets.js 是什么。

报告里的数字分别对应哪个文件

报告看上去是一份整体结论，拆开看，每一块的数据源头都不一样。

报告模块	主要数据源	判断方式
0-100 健康评分	tweets.js	按各风险类别的条目数与占比加权
风险条目清单	tweets.js	模式匹配手机号、邮箱、地址、定位
敏感话题标记	tweets.js	词典与语境规则，含误报
账号活动时间线	tweets.js + ip-audit.js	按时间戳聚合
联系信息暴露面	tweets.js + dm + 账号文件	多文件交叉比对

评分怎么加权是另一个话题，粗暴地说，联系信息类权重最高，敏感话题类中档，定位类看密度。具体算法在 健康评分是怎么算出来的 里，这里不重复。需要注意的是任何一个模块出问题，都只会影响它对应的那一块，不会整体串味。

被忽略的字段，以及原因

不读的字段有两种：一种跟隐私风险无关，一种读了反而干扰判断。

• 广告互动记录。跟你的推文内容无关，只会把条目数堆高。
• 关注与粉丝列表。人数过多，噪声大于信息，而且涉及他人隐私，不做分析。
• 设备令牌与个性化设置。对判断「哪条推文有风险」没有帮助。
• 推文的界面语言标记。解析时会重新识别语言，用归档里的标记容易出错。

忽略字段这件事有个副作用值得知道：报告里的条目数会比你想象中少。这不是漏读，而是把跟风险无关的内容先筛掉了。想核对读取范围，可以直接看归档里那份文件清单，路径说明见 怎么读 X 归档。

数据在哪一步离开本机

这是最多人问的一段，也是这份链路里最不该含糊的地方。

• 解析阶段完全在本机。归档解压、文件读取、规则匹配、评分计算，全在你自己的设备上完成，推文文本不经过网络。
• 报告结果不出本机。生成的评分与清单以本地数据结构保存，不提交到服务端。
• 只有删除动作需要授权。删除必须调用平台接口，这一步绕不开授权，但走的是删除权限，不涉及把归档内容上传。

这三条的分界线在「读」和「写」之间。本机处理与云端处理的差别，本质上就是这条线画在哪。更完整的架构说明见 本地处理与云端处理的区别。如果你还想确认报告只在自己手里，导出与分享那一节的做法在 导出与分享体检报告。

为什么报告条数和 X 页面上不一样

对不上是正常现象，原因有几种，分清楚之后就不会误判成漏读。

• 时间差。归档是申请那一刻的快照，之后新发的推文不在里面。
• 已删除内容。归档里保留了你后来删掉的推文，X 页面上看不到。
• 转推与引用。两者的计数方式和页面展示不一致，容易在条数上差出几百条。
• 纯媒体推文。没有文字的推文在正文匹配里不产生条目，但会出现在时间线里。

知道这几条以后，核对方式就清楚了：用归档条目总数对 X 页面的推文总数，不要用风险条目数去对，后者本来就做过筛选。两份数据不一致时先看快照时间，其次看是否含已删除推文。

把数据来源搞清楚，一份报告就不只是分数，而是一条可以追问的链路。体检在 digital-footprint-health.shop 的 首页免费开放，归档在本机解析，推文内容不上传。想先看报告长什么样，可以对照 体检报告的结构说明；清理范围与费用列在 定价页，其余方法文章收在 博客目录。