公众号观察系列写到第四期，这次把目光锁在了一个叫“好奇博士”的科普号上。月初整理2025年度账号数据时，我在Excel里拉出了一张明细表：全年发布文章545篇，阅读数10万+的文章有473篇，爆款率86.8%。说实话，第一反应是脚本统计错了，重新人工核对了两轮，才确认这个数字是真的。这篇文章就把整个观察过程完整记录下来——从数据怎么抓、表格怎么建、到中途踩了哪些坑，以及这545篇数据背后到底藏着什么。不管你是公众号运营、内容编辑，还是对Excel数据处理和内容分析感兴趣，这套从抓取到透视的完整流程应该都有可参考的地方。
1. 项目背景与观察思路
1.1 好奇博士：一个值得长期观察的科普样本
我运营公众号观察系列已经有一段时间了，每个周期会挑一个垂直领域的代表性账号做深度拆解。选择“好奇博士”作为样本，是因为它身上有几个很难同时出现的标签：更新频率高、内容领域垂直、爆款率极高。这三个条件叠加在一起，意味着它的内容生产方式一定有规律可循，不是靠运气出爆款。
先看更新量。545篇这个数字放在2025年全年来看，平均每天1.5篇左右，几乎是全年无休的状态。我接触过的科普类账号里，能做到周更三篇就算很勤快了，好奇博士几乎把公众号当成一个日更的内容工厂在运营。这个发布密度本身就在培养用户的打开习惯——读者知道这个号每天都会来，点击率自然会被拉高。
再看内容方向。它的文章几乎都是“一个反常识问题+一个通俗解释+一段生活化总结”，选题范围集中在两性、健康、冷知识、饮食误区这些和普通人日常生活强相关的领域。这类选题的突出特点是搜索意图明确，比如“蚊子为什么只咬你”“米饭到底能不能放冰箱”，用户看到标题就想知道答案，转发意愿也比较强。这也解释了为什么它的数据不像行业平均那样是长尾分布，而是普遍偏高。
我选它做观察对象，还有一层考虑：科普类账号的内容可以量化拆解的维度非常多，标题结构、关键词、发布时间都能作为变量来分析。相比之下，纯情感号或者新闻号的内容更依赖热点，变量很难控制。所以这个样本对于想研究“内容如何做到常青”的人来说，参考价值比较明显。
1.2 从“看文章”到“看数据”：观察维度怎么定
做观察系列之前，我习惯先把记录字段定清楚。每一篇被观察文章，至少要包含文章标题、发布时间、文章链接、阅读数、点赞数、分享数、留言数这7个核心指标。标题定的原因是：这7个字段正好覆盖了“内容怎么样、发布节奏怎么安排、读者互动如何”三个层面，一张Excel就能直观反映账号的整体状态。
不过只抓原始字段还不够。原始的发布时间只能看到“2025-06-18 19:30”这种格式，但要分析发布节奏，我需要知道它是周几、是哪个时段；原始的阅读数只能看到“100000+”这种封顶值，但要评估爆款率，我必须知道它是否封顶；原始的标题只能看到一行字，但要分析标题规律，我还需要拆出字数、是否含数字、是否含问号等特征列。
所以我在建表时，在原始字段后面又加了一批派生字段：发布日期、星期几、发布时段、标题字数、标题是否含问号、标题是否含数字、阅读数是否封顶。这些派生字段都是Excel里用公式就能生成的，不增加采集工作量，却能大大拓展分析维度。
这套观察思路说白了就是：先确定要问什么问题，再围绕问题设计字段，最后用数据回答。而不是拿到一堆原始数据之后才去想能做什么分析。顺序反过来，很容易迷失在大堆无意义的数字里。
2. 数据采集方案设计与合规边界
2.1 数据从哪来：三种途径的取舍
公众号的数据采集，圈内用得最多的是三种途径。第一种是公众号后台直接导出，登录账号后台的“内容分析”页面，能看到每篇群发文章的阅读、点赞、分享、留言明细，支持复制粘贴到Excel。这条路径最精准，但有一个硬前提：你必须是这个账号的运营者。做外部观察时，这条路径用不了。
第二种是第三方数据平台，比如新榜、西瓜数据、清博大数据。在这些平台搜索公众号名称，能看到历史文章列表以及阅读数、点赞数等指标。优点是覆盖范围广，不需要登录目标账号后台；缺点是分享数、留言数这类更细的指标通常不完整，而且阅读数同样是封顶的“10万+”。部分深度功能需要付费会员，我在这个项目中只把它作为次要数据源，用来交叉验证采集结果。
第三种是自建采集脚本，通过文章正文页公开的链接、标题、正文等信息做整理。微信公众号文章链接是公开的，主要由__biz、mid、idx三个参数组成，标题和正文也能从页面源里解析出来。但阅读数、点赞数、分享数、留言数这些互动指标，普通文章页面并不会暴露，所以在采集脚本里，这些字段往往拿不到。
我最终采用的组合方案是：标题、发布时间、文章链接靠公开页面和第三方平台交叉整理；阅读数、点赞数以第三方显示为基准；分享数和留言数单独建列，能拿到的就填，拿不到的标记为“缺失”。这样做的好处是，每一条数据都有明确的来源和可信级别，后面做分析时不会因为数据来源混乱而得出错误结论。
必须要说明的是，无论采用哪种方式，都要遵守平台规则和内容使用规范。观察和分析公开数据没有问题，但不要试图绕过登录验证、批量抓取平台内部接口。数据用来做内容研究是可接受的，用来做商业用途甚至倒卖，就是另一回事了。
2.2 关键字段的原始形态与处理难点
把数据从平台里拿出来的时候，基本都不会是干干净净的表格，我先梳理一下几个常见字段的原始形态。
先看时间。公众号后台和时间相关的字段，有的是时间戳，有的是带时区的字符串，还有的是“2025-06-18 19:30”这种可直接读的格式。如果从第三方平台导出，很多平台会直接给出格式化好的时间，但如果你用的是自己写的采集脚本，大概率拿到的是10位数字。这里要注意，10位是秒级时间戳，13位是毫秒级时间戳，转换公式不同，这是我在项目里踩到的第一个细节。
再看文章链接。微信公众号文章链接的标准结构是“链接前缀?__biz=xxx&mid=xxx&idx=xxx&sn=xxx”，其中__biz是公众号唯一标识，mid是消息id，idx是这一批消息里的序号。解析链接的时候，不要按“&”简单切分就完事，因为某些账号的链接还会带上其他参数。最稳的做法是用正则提取__biz、mid、idx三个值，再重新拼接成标准化链接。
然后是阅读数。“10万+”是微信的显示上限，后台真实数字可能是103245，也可能是110万。这个封顶值对平均值的影响非常大。如果你直接把“10万+”当10万算，那545篇文章的总阅读量会被严重低估，因为其中473篇真实值可能远高于10万。我处理时引入了“是否封顶”标志列：阅读数取值保持“100000+”，同时加一列“封顶标志”值为“是/否”，并用单独一列“阅读数估算下限”记录至少为多少。这样既保留了原始信息，又不会影响数值计算。
最后是分享数和留言数。这两个字段是观察系列里最容易“缺数据”的。分享数仅后台可见，第三方平台往往不提供；留言数在文章页只能看到少量精选留言，数量不代表真实留言总量。我的做法是：留言数记录为“文章页可见留言条数”，并在表头上备注指标口径。宁可标注清楚口径，也不能用不准确的数据硬凑，否则后期分析会发现互动率和实际情况对不上。
3. 数据整理与Excel实操
3.1 建一张能直接用的数据明细表
数据采集完之后，就到了最关键的整理阶段。我习惯先在Excel里建一个“原始数据”Sheet，所有字段保持字符串格式，一行一篇文章，后续所有处理都从这张表开始。字段顺序建议按采集逻辑排：序号、文章标题、发布时间、文章链接、阅读数、点赞数、分享数、留言数、是否封顶。链接放中间而不是放最后，是因为Excel里长链接经常触发科学计数法，放在中间不容易被误点。
原表建好之后，我会再建一个“分析数据”Sheet，把派生字段补齐。发布时间这一列，我会拆成“发布日期”“星期几”“发布时段”三列；“星期几”用WEEKDAY函数生成，“发布时段”用HOUR函数提取小时再做分组，比如18点到21点归为“晚间”。“标题字数”用LEN函数统计，中英文混排时需要注意，LEN按字符数算，一个汉字算一个字符。
另外一个我强烈建议加的字段是“标题特征标记”，用IF和ISNUMBER函数来判断标题里是否含数字、是否含问号。为什么这两个特征值得单独标记？后面分析爆款规律时，这两列可以直接做数据透视的筛选条件，一眼就能看出带问号的标题和没带问号的标题在爆款率上的差异。
清洗过程中最耗时的是去重复。公众号有时会重新推送旧文章，或者做合集整理，这些重复内容如果不筛掉，会影响545篇这个基数的准确性。我一般用“文章链接”这一列作为去重主键，微信文章链接是唯一的，稳妥起见可以再叠加“标题+发布日期”双重判断，双重判断更稳。
3.2 阅读数、点赞数等数值指标的处理规则
这一节专门说数值处理，因为这里的坑最多。阅读数字段，我的统一规则是：把“10万+”处理为文本“100000+”，同时复制一列“阅读数下限”，把数字部分填成100000，再用“是否封顶”列区分。这样在做平均值、分布区间时只用“阅读数下限”列，虽然会低估真实值，但至少不会把“未知”当成“已知”来算。
点赞数、分享数、留言数这三个字段，遇到“1.2万”“3.5万”这种带单位的文本，需要先做一个单位换算。最省事的方式是查找替换，但替换“万”这个字会直接把“1.2万”变成“1.2”，后面还得乘以10000。我的做法是用公式：=IF(ISNUMBER(SEARCH("万",A2)), VALUE(SUBSTITUTE(A2,"万",""))*10000, VALUE(A2))。这样能一次性把“1.2万”转成12000，把“328”转成328。
还有一个很隐蔽的问题：直接从网页复制过来的数字，看起来是数字，单元格左上角会有绿色小三角，表示它是文本型数字。文本型数字参与求和、平均值都会出错。解决办法是选中整列，点击“数据-分列-完成”，一步就能批量转成真正的数值型。这个操作我每次做数据清洗都会用到，已经形成肌肉记忆了。
时间字段的处理，如果原表是“2025-06-18 19:30”这种文本，直接用“数据-分列”按空格拆成日期和时间；如果原表是10位或13位时间戳，Excel不会自动识别，需要做转换。10位时间戳公式大致是：=(A2+83600)/86400+70365+19；13位时间戳要先除以1000转成秒，再套公式：=(A2/1000+83600)/86400+70365+19。最后把单元格格式设为“yyyy-mm-dd hh:mm”，并记得时间戳通常是UTC时间，加上8小时才是北京时间。
3.3 数据透视加条件格式，让545条数据“活”起来
数据清洗完了，重点就转到分析透视。我一般会做两张透视表：一张是按月份的发布量、爆款率汇总；一张是按发布时段的互动均值汇总。月份维度能看到账号的年度节奏，比如哪几个月更新更密集、哪几个月爆款率下滑；时段维度能看到固定推送习惯，有没有明显的高产时间段。
透视表做完，加两个条件格式就能让表格可读性大幅提升。第一，给“阅读数下限”列加色阶，数值越高颜色越深，扫一眼就能看到爆款集中区。第二，给“是否封顶”列加“等于文本条件格式”，把“是”标成浅橙色，整张表的爆款文章立刻跳出来。
如果是Excel 2021或者Microsoft 365，我还会插入一个切片器，字段选“发布月份”和“是否封顶”。切片器的好处是交互方便，想看哪个月份的数据就点哪个月份，不用反复修改筛选条件。这个功能看起来很基础，但在545条数据里点来点去，体验差距挺大的。
最后，为了后续继续做内容分析，我建议把“标题”这一列再做一次“关键词计数”。用COUNTIFS配合通配符统计标题中出现过的核心词数量。比如统计“为什么”“真相”“医生”“癌症”这些词在标题里出现的频次，就能知道账号在标题层面使用了哪些高频钩子。这一步虽然简单，但对解读内容策略帮助很大。
4. 545篇文章的数据背后：好奇博士的爆款密码
4.1 86.8%的爆款率是什么概念
先把数字摆清楚：545篇里473篇阅读数10万+，占比86.8%。如果按每月算，平均每月发布45篇左右，其中约39篇达到10万+。这个数据放在整个公众号生态里是什么水平？公众号文章的常规打开率普遍在5%以下，10万+对绝大多数账号来说是单篇顶点，一年能出三五篇已经算不错了。而好奇博士几乎是把10万+当成了保底成绩。
横向对比一些其他头部账号，你会发现一个月能稳定产出10篇以上10万+的号已经非常罕见，更别说稳定在一个区间里。这也说明一个问题：好奇博士的爆款不是偶发现象，而是内容生产机制稳定的结果。对于一个更新频率每天接近1.5篇的账号来说，没有一套可靠选题和标题流程，根本维持不了这样的数据曲线。
从互动角度看，我也做了一张表格对比阅读数和点赞数的关系。行业内常见的数据是点赞率（点赞数/阅读数）在0.3%到1%之间。好奇博士的大多数文章阅读数封顶，点赞数通常在数千量级，如果阅读数真的远高于10万，那么点赞率会低于后台显示数值下的估算值。这说明它的内容更偏向“阅读型”而非“互动型”，快节奏、强传播但不需要读者长时间停留。
不过这里要提醒一点：阅读数10万+是微信显示上限，473篇的真实阅读量应该远高于此。如果把真实阅读量估算进去，好奇博士2025年的总阅读量很可能是数亿级别。这个估算是保守的，我没有把封顶值拉高，只作为参考，但它足以说明这个号在微信生态里的影响力范围。
4.2 从表格切片里看到的三条规律
第一，发布节奏稳定，高更新量和高爆款率并存。从透视表看，文章基本集中于晚间推送，发布时间集中在晚上6点到9点。这是用户下班后刷手机的黄金时段，账号把内容放在用户注意力最高的时候出现，是增加打开率的基础操作。部分文章在白天发布的数据表现稍弱，但也基本维持在10万+量级。
第二，标题结构高度模板化，但模板经得起检验。我在Excel里统计了标题字段，“为什么”这个词在545篇里的出现频率非常高，带问号的标题占比也明显高于不带问号的标题。再配合数字、对比、反常识元素，标题本身就是一个“钩子”，无需点开就能完成信息传播。比如很多标题是“为什么XX会XX”“XX的真相是什么”，结构简单但搜索意图强。
第三，内容领域集中，冷知识和健康类占比最高。通过关键词计数可以直观看到，标题里出现频率最高的是日常生活相关的名词，比如食物、身体、手机、睡眠。这类内容的优势在于它面向的是所有人，不受垂直行业限制，天然具备大众传播属性。这也回应了开头的问题——为什么它能做到几乎每篇都是爆款，选题普适性是第一层原因。
当然，这三条规律是数据表格上的表现，背后还有文风、封面、排版等难以量化的因素。内容行业没有银弹公式，但至少好奇博士用2025年的545篇文章证明了一件事：稳定日更+普适选题+强钩子标题，仍然是在公众号生态里做增量的有效打法。
5. 常见问题与踩坑实录
5.1 数据采集过程中的5个坑
第一个坑是文章链接不规范。第三方平台导出的链接有时会缺失某些参数，尤其是sn参数被截断，导致链接无法正常打开。解决方法是解析时优先保留__biz、mid、idx三个核心参数，再合成标准链接。sn是防伪参数，如果缺失就直接在链接列里标记“链接不可用”，不要强行补一个错误链接。
第二个坑是定时发布的时间显示问题。公众号定时群发的文章，后台显示的发布时间可能和实际送达时间有差异，第三方平台抓取时也可能按抓取时间更新链接数据。我的处理方法是，以公众号后台显示时间为准，第三方平台数据只做参考，如果两者不一致，在表里标注“时间口径：后台”。
第三个坑是分享数和留言数缺失。前面已经提到，普通页面和第三方平台都很难拿到这两个字段。注意不要因为缺失就弄虚作假，更不要用“点赞数除以阅读数”倒推分享数，两个指标定义完全不同。我在表里会专门加一列“数据完整性”，标注哪些字段是估算、哪些是缺失。
第四个坑是已删除或违规文章。如果一个账号中途删除了某篇文章，第三方平台上往往只保留文章标题和删除状态，阅读数等指标一并丢失。这个现象在观察系列里很常见，我的处理方式是在明细表里保留标题和“已删除”状态，分析时按“统计口径”排除，避免影响爆款率计算。
第五个坑是采集频率。公众号阅读数是动态的，刚发布的文章12小时内数据变化特别大。如果你只采集一次，可能把一篇还在上升期的文章记成低阅读数。我做这个项目时，一开始就吃过亏，有一篇当时显示5万阅读的文章，第二天再看已经冲到10万+。后来就定了规矩：发布48小时后再统一采集，爆款文章额外复核一次。这个小习惯帮我避免了至少5次类似的误差。
5.2 Excel处理中的4个坑
第一个坑是科学计数法。文章链接超过一定长度后，Excel会自动转成科学计数法，看起来像一串乱码，复制出来还会丢精度。解决办法是在粘贴之前，先把目标列设置为文本格式，或者用“数据-分列-文本方式”把已损坏的列修复回来。这个坑几乎所有人都踩过，但每次都要提醒一下。
第二个坑是文本型数字求和为0。从网页复制过来的点赞数、分享数经常是文本格式，直接SUM求和会得到0。排查方法很简单，点一下单元格看编辑栏是不是有前导单引号，或者看左上角有没有绿色三角。批量转数值的方法上面说过，用数据分列一步搞定，千万不要手动一个个改。
第三个坑是Emoji字符导致乱码。公众号标题里经常带Emoji，直接用Excel打开UTF-8编码的CSV文件时会变成乱码。解决方法是，优先用Excel的“数据-自文本/CSV”导入，选择UTF-8编码；如果已经打开成乱码，就新建一个空工作簿再导入一次。数据保存时，建议用xlsx格式而不是CSV，CSV在跨平台传输时编码问题太多。
第四个坑是“10万+”的排序问题。如果阅读数列里有“100000+”这种文本，数字排序时会因为文本类型被排到最末尾或者按字典序排，导致看起来数据很乱。所以在排序前，要先用“阅读数下限”这一列做排序。这条和第3章的数值处理规则是配套的，做分析时务必记住。
最后再补一句真心话：做完这个项目，我感触最深的不是好奇博士的爆款率本身，而是一张结构清晰的Excel表格能把一个账号的运营全貌完整呈现在眼前。整理数据的过程虽然琐碎，但每次透视表刷新出来，看到那些规律自己浮现的时候，就会觉得前面的准备工作都值得。如果你也在做公众号内容研究，先从自己的账号或者你最喜欢的一个号开始，把一年的文章数据拉出来，你可能也会发现一些意想不到的规律。这个系列我会继续做下去，下次打算换一个体量更小的知识类账号做对照，到时候再分享差异化的数据分析思路。
