嗯，我回来了。不知道为什么前几天的留言，被举报了。哈哈哈哈哈哈，呼，真棒。

看了各位的留言，其实已经歪楼了。这是一篇技术贴技术贴技术贴。

1. 技术贴下面，欢迎针对本章里面各类分析维度做出讨论，全部以开放的态度，接受各位的讨论和验证，我相信，更多的探讨才能更接近真相；
2. 代码已经全部开放，感兴趣的朋友，请评论自取即可，技术讨论随时欢迎；
3. 关于明星和饭圈的行为，不是我关注的点，不要私信我聊看法，不感兴趣，不感兴趣，不感兴趣，也不是本文的初衷；
4. 说到初衷，我无非是看到了很多人将ao3的中文区美化了，但是更多人是看不清真相的跟风者，只想用数据的方式，直白的揭开这个事实而已，至于讨论发文初衷的人，这是最后一次解释；
5. 最后，大德奥君说，既然被禁言了，就再多锤一下AO3吧┓( ´∀` )┏，等他忙完论文和工作，咱们周末见。

写在前面：本来这个答案，是要写在问答的答案里面的，看到很多朋友都在蹲。但是真的有点长，还是决定直接写文章吧。整个事件起因是因为全网沸沸扬扬的227事件，路人吃瓜吃了两天，然后自己冲浪了ao3网站，之后227事件对粉圈流行文化里面的这个问题下面回答了不少知友的问题，也就现在的现在情况进行了相对理智的讨论，各位感兴趣的可以去看看。

227 事件会对粉圈，甚至流行文化产生哪些影响？

后来，在讨论的过程里面，发现很多吃瓜路人，很多拥护者，也有很多跟风发言的普通人，或者只是想来辨一辨的朋友也越来越多，其中收获了点赞，私聊，拉黑，对立，情绪宣泄等回复行为。本人原地反思，还是决定摆事实，至于这个道理你服不服还是信不信，我相信真理会越来越清晰。

以下内容，5000以上字预警，各位朋友理智分析优先。看不懂的或者存有问题的，欢迎留言参与讨论。技术层面的问题，接受私聊讨论。杠精就别来了，累死了真的，花了好几天为了弄清楚真相，真的不能接受杠精。不服忍着。

技术方面：针对AO3现有的中文文本库使用selenium进行爬取，依托检索到的中文文字，进行数据分析分类统计；

个人简述：通过边学边练数据分析，收获了不少知识和感慨，最终也希望帮助大家分析一下AO3到底是一个什么样的网站。

关于python 爬虫，数据分析的技术探讨的内容会发布在github上专门讨论，有需要的朋友私聊即可，这两天晚点时候会发布的。

那么让我们一起揭开这个网站的面纱，探讨AO3平台内容本身，以及分享本次数据统计的实际结果。

第一步，针对四种分类标签的文章数进行了数量统计

分类标签的含义如下：

1. · General Audiences 大众，即所有人都可以观看
2. · Teen And Up Audiences 青年及以上
3. · Mature 成人
4. · Explicit 露骨
5. · Not Rated 未分级

AO3总体中文文章比例：

1. 大众向：2万8千篇11.5%；
2. 青年及以上：2万4千篇9.8%
3. 成人：8万1千篇33.2%；
4. 露骨：4万8千篇19.7%；
5. 未分级：6万3千篇25.8%

如下图所示，对比抽取样本的比例和总体比例，样本分布基本满足均匀分布的，符合抽样调查的合理性。

第二步，统计网站中文区，发文日期分布

将中文文章写作时间按月统计，注意这个曲线是当月发布的数量，而不是累加值，可见平台中文文章逐年发布增长量非常可观。特别值得注意的是，2020年最后的发布数量突然在最近剧烈下降，因此是被墙对于中文区内容的文章发布数量影响还是很大的。从另一个角度去解释，2020年1月的中文文章发表数量是以往最高月份的一倍以上，这样激增的发文数量是否也是导致被针对的原因，也非常值得我们思考。

第三步，针对平台的标签分级制度的分析

AO3拥护者们和目前最核心的争论焦点是，平台所提供标签制度，因此在阅读前就可以有读者决定是否阅读。那么下一步就对各个标签下是否有敏感词进行一下统计。

首先我们定义一下敏感词，本文使用的敏感词库来自

https://github.com/chason777777/mgck（感谢作者），只使用了涉及敏感向的H类词库。

此次的提取方法是：敏感词直接进行计数，这个做起来简单方便。问题是有些正常的词连接在一起可能会被误识别（例如，左爱左的事儿，这句话本身没有问题，但是左爱是定义的敏感词，所以会计入统计）。一方面我不是NLP专家且时间有限，另一方面有些正常的词汇组合在一起也会产生奇妙的意思。这样此消彼长，加上样本量也比较大。这一点上面，欢迎各位探讨。

敏感词的计数方法是：

1. 单一文章中包含相关敏感词，则计数+1；
2. 同一篇文章中，一模一样的敏感词进行数量累计，即每出现一次+1；
3. 基于以上计数方式，单一文章中，若包敏感词总体数量小于5个，则标记为无敏感词文章。

下图显示了无敏感文章数量与总文章数量的对比情况。

可以看到的是，不同分级标签的敏感词分布确实不同，也基本符合分级标签的含义。但是现有标签的分类及预警作用是有限的，内容并不绝对遵守规则。

接下来，将敏感词的数量与文章内总词量进行一个对比。

即对应标签下，检索文章中敏感词总数量除以该标签下文章包含总词数，计数方式同上。文章敏感词总词数占比，按标签划分统计出来，结果如下图：

数据显示：

1. General Audiences 大众：0.2%（敏感词占比所有词的0.2%）
2. Teen And Up Audiences 青年及以上：0.408%
3. Mature 成人：0.933%
4. Explicit 露骨: 1.2%
5. Not Rated 未分级：0.729%

大家可能会感觉 1% 这个比例比较小。但是我在这里分析一下 1%代表每100个词（约200字）就会出现一个敏感词，再加上围绕这些敏感词前前后后的无害词的衬托，这个比例已经非常大了。如果从NLP的方向统计应该会更恐怖，可惜这个方向我并不熟悉，正在努力补课。后期需要持续学习，不断优化分析角度。可能这样的解释，有点绕，还是上图吧。

这就是约200字，前情后续都没有，也没有到重点（可是气氛有了对吧～），但是1%意味着，在接下来的很快就会出现一个敏感词，可见1%的比例不小了。

第四步，词云分析

想了解敏感词统计是否合理还有一个简单的方法就是使用词云，也就是将高频的词展示出来。这里只做了两种词云：

• 所有词云: 对文章总体词语进行词云统计，其中部分常用词被过滤（例如：你我他如果但是因为所以……）；
• 敏感词云: 对文章涉及的敏感词进行词云统计，敏感词出自上文提及敏感词库。

在生成词云的时候，我将一些人名，称呼，常用词等等词汇进行了过滤（以下称为过滤词）。经过一段时间的词云生成，当原版未和谐词云显示出来的时候，我只能说闪瞎双眼了，我真的感激郭嘉净网。在这里，为了能够展示给大家，对大部分字进行和谐了替换，如何替换的可以查看代码。

很多词只能靠大家脑补，想看原词大家可以自己去运行代码。这里强调一下，词云会揭开很多有意思的事情。

AO3词云里面敏感词都不是很和谐，这里只放出 General Audiences 大众标签下的敏感词云让大家品一下：

这是大众标签中文章出现的高频敏感词云

根据这样的展示，不难发现，这就是个H网。

第五步，各标签文章平均点击量分析

分析完平台中文文章，我们现在来看看文章平均点击情况。

数据计算方式：该标签内的单篇文章的平均点击量=标签内文章点击量加总 / 标签内文章总数

数据结论：

• 标签限制级别越高的文章（Top2: Explicit 露骨，Mature 成人），获得了普遍更高的点击率；
• “General Audiences大众” “Teen And Up Audiences 青年及以上”标签内文章点击对比约在上述Top2的一半左右；

第六步，过滤词分析

在上述第四步中，已经基本定义了过滤词的含义，即人名，称呼，常用词等等词汇。因为你我她他它、常见的语气词形容词副词、人名等。

这里我们把这些过滤掉的词拿出来分析一次，避免偏差。

由于过滤词是由程序多次运行词云分析，并从中手动挑选的高频词。即一直去除这些最高频词直到一些‘有趣’的词率先浮现。在过滤词云的过程中，词云逐步出现了一些有趣的规律。因此，对这些过滤词进行了如下分类&进一步分析：

• · 身体部位（不涉及性别）
• · 颜色
• · 动作
• · 地点
• · 方向
• · 主角
• · 人称/称呼
• · 物品
• · 其他（量词，语气词，形容词，副词等）

Ps 通过两个方法确保过滤词并不会影响本次数据分析的结论：

公开所有代码和过滤词（不包括：本次抽取的AO3的中文文库、接下来用于对比使用的其他文学作品以及敏感词库）。这样如果大家对某个词有质疑不公平可以及时指出并讨论，也可以自己运行程序修改、复验、解读；

对过滤词进行分析以及横向对比，阐述过滤词的正当性，这里时间有限，横向对比只做了一小部分，后文阐述。

这里需要注意的是计数方式的改变，即同一篇文章出现的重复过滤词只算一次，不累加计数。

这里的过滤词，如果条目太多，图表最多显示Top30.

先将没有具体指代的过滤词都贴在这里，这些词大多没有明确的意义；

下面将有有一些含义的过滤词进行了分类并做成了统计图表：

6.1 身部位过滤词分析

平台文章喜欢描写的一般身体部位Top30

6.2颜色描述类过滤词分析

内容中出现频率最高的颜色分别：白色，黑色，红色（包含白、黑、红）

6.3动作描述类过滤词分析

动作描述类过滤词Top10：看着，想要，动作，轻轻，抬起，心里，眼神，听到，微微，表情。

6.4地点描述类过滤词分析

地点描述类过滤词Top10：床上、怀里、地上、房间、世界、门口、回家、家里、出口、桌上。

6.5方向与相对位置描述过滤词分析

Top10:出来，身上，下来，眼前，里面，身后，进来，身边，耳边，上来，后面

6.6主角统计

目前过滤词中采集到的人名数量约140个（词云里还有），这里只取了排名Top30进行展示。

这里都是真名居多，狗头保命，观众有图自鉴。

6.7称呼类过滤词分析

称呼或人群类指代词过滤分析Top30（不含：你我他它自己）展示如图。

其中top10：对方，男人，孩子，朋友，别人，年轻，小孩，大家，少年，哥哥。

6.8物品类过滤词分析

只取了词云里面浮现出来的，所以并不多。

第七步，其他作品横向对比

做横向对比的原因，是看到很多言论，对于文学作品性质的探讨。

由于实在没有时间和精力去爬其它的文章网站，所以这里主要是一个抛砖引玉的作用，有兴趣的小伙伴可以自己做一做。同时也想提问一下做NLP的同学们，难道没有用于训练的中文散文库么？找了两天根本没找到。

根据AO3拥护者的呼声，挑选四部中外名著（最后一篇是我自己加的 LOL）：《羊脂球》、《百年孤独》、《红楼梦》、《金瓶梅》，从数据角度进行文字内容分析，上述数据的横向参考意义，这里要提前说明，无关作品价值和已取得成就本身。

通过无敏感词统计发现，四篇文章确实都含有敏感词（这也是ao3拥护者用这些文章说事儿的原因），那么让我们看看四篇文章的敏感词占比，继续做横向对比。

文章开头我们已经得到了AO3的敏感词占比数据，我们来回忆以下：

• · General Audiences 大众：0.2%（敏感词占比所有词的0.2%）
• · Teen And Up Audiences 青年及以上：0.408%
• · Mature 成人：0.933%
• · Explicit 露骨: 1.2%
• · Not Rated 未分级：0.729%

四篇文章的情况如下：

• 《羊脂球》：0.142%
• 《红楼梦》：0.0303%
• 《金瓶梅》：0.369%
• 《百年孤独》：0.0759%

所以重点来了：

通过数据可以看到《金瓶梅》不负众望以绝对优势夺得第一。但就算这古今公认的文章，敏感词占比也在AO3 分级制度的大众与青年的平均比例中间。

由此可见AO3中文内容尺度如何。

这里已经以内容加上分级角度，建立了数据基线，结论：AO3中文区大部分内容敏感程度，高于《金瓶梅》，基本断定H无疑。

同样的，为了公允，我也对这四篇文章进行了词云分析，大家可以看看区别。

敏感词云在这里：

写在最后：

探索真相的过程是有趣的，一步步的揭开网站的内容板块的面纱，基于数据去做拆分和分析，最后发表个人观点：

1. 写作自由真的不代表传播自由，从网站目前的状况和流量增长趋势来看，这样内容的网站被封是早晚的事情；

2. 有人可能想说我现在依旧可以看到AO3也是采取了某些措施，我想说的是，我靠自己的知识和学习获得了我的自由。

3. 需要任何东西都是有成本的。这个成本不一定指的是金钱，也有可能是你付出的时间、学习、劳动和知识。网站就在那里，只是浏览成本提高了，光喊“降价”，可能性大吗？

4. 谁也不是圣人，总会有些小圈子小癖好，个人尊重所有的隐私和爱好。但是有些东西，如果扛着所谓的自由肆意宣泄，强行指鹿为马并不太合适。对于那些熟悉AO3且依旧闹的人，我只能想到“戒断反应”这个词了；

5. 对于那些压根没有看过AO3的人，我想说即使AO3是那个获过‘雨果奖’的圣地，那么中文社区恐怕已经沦为“艾辛格”（来自《魔戒》），至于谁是萨鲁曼，大家自行分析。这里的‘雨果奖’已经解释了无数次了，并不是那个雨果，是2回事，自己学习百度吧。

6. 这是一篇分析向出发的数据贴，如果认为分析方式存在偏颇或者不合理的地方，欢迎讨论。我相信大家最终的目的不过是走向真相，实现的技术细节如果有需求，可以私聊我技术贴的地址。

如果读者你是家长，发现自己的孩子是AO3的拥护者，不论Ta是否真看过，请正确引导。

anyway 三观笔直，感谢郭嘉净网。