第304章 历史库的灰尘

机房的空调出风口持续吐出冷风，屏幕上的日志滚动条已经跑了四个小时。林尘靠在人体工学椅里，左脚搁在自带的硬木脚垫上，膝盖下方垫着一本旧版《计算机网络》。书脊已经磨白，页角卷曲，是大学图书馆淘汰时他花两块钱买下的。

流水线状态栏显示：已处理 14.2 万条。异常队列：3841 条。进度 18.7%。

他端起桌上的搪瓷缸，里面的枸杞水已经凉透。喝了一口，涩味顺着喉咙下去，胃里泛起一阵轻微的痉挛。他没加糖，也没换茶叶。省钱是刻在骨子里的习惯，哪怕公司账上已经能撑过半年现金流，他依然用着这个掉漆的缸子。

手机屏幕亮起。苏曼发来一条消息：“省二院信息科把硬盘送过来了。三年门诊日志，全量脱敏前原始库。格式是混合的，2018年前的系统导出的CSV，2019年后是JSON，中间夹杂了约15%的PDF扫描件。他们只给了七天，硬盘下午三点到。”

林尘回复：“收到。准备备用服务器。下午我接。”

他关掉消息窗口，调出异常队列的抽样日志。前3841条报错集中在三个点：一是时间戳格式不统一，有的带时区偏移，有的只有YYYYMMDD；二是诊断字段存在大量手写体转码后的乱码，GB2312和GBK混用，部分生僻字被替换成了?；三是患者ID与就诊流水号不匹配，存在明显的历史系统迁移断层。

这不是脏数据，这是地质层。

林尘翻开错题本，在新的一页写下：多源异构。编码断层。ID映射断裂。 笔尖划过纸面，发出轻微的沙沙声。他合上本子，开始重构DataAnonymizerV1的解析层。

下午两点五十，苏曼推开机房的门，手里拎着一个黑色的防震硬盘盒。她没说话，把盒子放在控制台上，顺手带上门。机房里重新只剩下服务器风扇的低频嗡鸣。

林尘接上硬盘，挂载到隔离沙箱。数据总量显示：47.6GB。他深吸一口气，敲下启动指令。

进度条开始爬升。前十分钟一切正常。到第14分钟，日志窗口突然跳出连续的红字：PARSE_ERROR: Invalid UTF-8 sequence at offset 0x8F2A。流水线暂停。

林尘没有皱眉。他早就预料到这一步。他调出十六进制查看器，定位到报错偏移量。原始字节是0xD2 0xBB，在GBK里是“一”，但在UTF-8解码器里直接崩溃。他写了一个预检脚本，先遍历全库的字节分布，统计非UTF-8字符的占比。结果显示：12.4%。

他新建了一个EncodingFallback模块。遇到非法字节序列，不中断，不丢弃，先标记原始编码，尝试用chardet库做二次识别，识别失败则写入隔离区，保留原始十六进制快照。脚本跑通，流水线重启。

进度条重新开始移动。速度比之前慢了约30%，但不再崩溃。

林尘站起身，去洗手间用冷水洗了把脸。镜子里的人眼窝深陷，胡茬泛青。他低头看了看左脚，脚踝处的皮肤因为长时间压迫已经泛白。他扶着洗手台，慢慢做了两组拉伸。肌肉纤维传来熟悉的酸胀感，像生锈的齿轮被强行咬合。他闭上眼，数了十秒，走回工位。

下午五点，处理量突破20万条。异常队列堆积到1.1万条。

苏曼敲门进来，放下一份外卖和两瓶矿泉水。“先吃饭。信息科那边说，2016年到2017年之间，医院换过一次HIS系统，老数据是人工导出的，很多字段是空的。你们要不要跳过那部分？”

“不能跳。”林尘打开饭盒，是简单的青椒肉丝和米饭。“卫健委要的是连续三十天真实世界数据。跳过两年，回溯报告的时间轴就断了。批文不会过。”

他扒了两口饭，放下筷子，继续盯着屏幕。异常队列里，有一批记录反复触发FIELD_MISSING。他点开抽样，发现是同一批患者的复诊记录，主诉字段为空，但检验指标齐全。医生当年可能只开了化验单，没写病历。

林尘调出ICD-10映射表，写了一个规则：如果主诉为空，但检验指标包含特定组合（如空腹血糖≥7.0且糖化血红蛋白≥6.5%），则自动推断为“疑似糖尿病随访”，打上INFERRED标签，置信度设为0.6。不替代临床诊断，只保证数据链不断。

他敲下回车。流水线吞下这批数据，继续向前。

晚上九点，进度达到64%。林尘的左脚开始不受控制地轻微抽搐。他停下敲击，把脚从脚垫上拿下来，平放在地上。刺痛感顺着小腿往上爬。他咬住后槽牙，没出声。从抽屉里拿出一瓶布洛芬，干咽了两粒。

苏曼还没走。她在旁边的工位上整理伦理委员会的补充材料，偶尔抬头看一眼屏幕。

“你的腿撑不到周五。”她声音很轻，没有劝说的语气，只是陈述。

“流水线已经自动化了。”林尘看着日志，“后面主要是人工复核异常队列。我坐着就行。”

“坐着也会坏死。”苏曼合上文件夹，“明天我去信息科，申请调取2016年的纸质病历归档目录。用目录做交叉校验，能省掉你一半的推断工作量。”

林尘点了点头。“好。把目录拍成高清照片，按时间戳排序发我。”

苏曼看了他两秒，转身离开。机房门关上。

林尘重新把手放在键盘上。屏幕冷光映着他的脸。他调出异常队列，开始逐条核对。有些乱码确实无法还原，他只能保留原始快照，在报告里注明“历史系统编码丢失，已做隔离处理”。有些缺失字段，他通过检验指标和用药记录反推。工作枯燥，重复，没有捷径。但他习惯了。从县城网吧接外包开始，他就知道，技术不是魔法，是体力活。是把一堆烂摊子，一行一行码整齐。

凌晨一点，进度突破85%。异常队列降至4000条。

林尘揉了揉眉心，准备做最后一轮批量校验。就在他敲下指令的瞬间，日志窗口突然跳出一行黄字：WARNING: Timestamp collision detected. Batch 2019-Q3, 14,200 records share identical ingestion time.

他手指停在半空。

十四千条记录，入库时间完全一致。精确到毫秒。

在真实的门诊系统里，这是不可能发生的。除非是批量导入，或者系统时钟被人为重置过。林尘调出这批数据的原始文件，发现它们全部来自省二院2019年9月的一次“历史数据迁移备份”。迁移日志显示，当时为了赶新系统上线，信息科外包团队用脚本做了全量覆盖。

覆盖意味着什么？意味着原始就诊流水可能被重写，时间轴可能被压缩，脱敏后的数据回溯，可能会在卫健委的审计里被判定为“数据真实性存疑”。

林尘盯着那行黄字，呼吸平稳。他没有慌。他打开错题本，在新的一页写下：批量覆盖。时间戳碰撞。审计风险。

他关掉警告窗口，新建了一个校验脚本。不修复，不掩盖。他把这1.4万条记录单独抽离，打上MIGRATION_ARTIFACT标签，准备在最终报告里附上迁移日志的原始截图和交叉验证路径。

合规不是完美，是透明。

他敲下回车。脚本开始运行。窗外的城市已经彻底安静，只有机房的风扇还在转。林尘靠在椅背上，闭上眼睛。左脚依然刺痛，但他没动。

明天早上，苏曼会带回纸质目录。下午，他要完成最后一轮映射。后天，报告初稿。

七天。还剩下五天。

屏幕上的进度条缓慢爬升。林尘睁开眼，手指重新落在键盘上。下一步，是核对迁移日志的原始哈希值。