# 如何从创作者名单中去除重复的 Instagram 主页

按稳定的 channelId 值对创作者记录分组，以清理重复主页。Actor 是托管的数据采集程序，用来采集源数据行。Task 是已保存的输入预设，用来保存你的搜索设置。Build 0.1.26 的 startUrls 接受 1 到 1,000 个已知公开主页、@handles 或纯 handle。预设的两个样本输入会被替换为一个目标主页。完全重复的输入会由 Actor 自动折叠。每一行代表一个已尝试的输入，包括不可用的行。原生字段包括 input、channelId、eimuId、fbid、channelUrl、handle、status、statusReason 和 observedAt。eimuId 字段必须是精确值。fbid 字段是与 Meta 关联的标识符，不是 Facebook 公共主页 ID。OUTPUT 报告 requestedChannels、acceptedProfileInputs、rejectedInputs、datasetRows、usefulRows、billableRows、nonUsefulRows 和 statusCounts。一次使用 NASA 且 status 为 ok 的单主页对照，返回了正确的身份、规范 channelUrl、handle、5 个 bioLinks、作为空数组的 detectedEmails，以及值为 null 的 businessEmail 和 businessPhoneNumber。这只证明对身份和链接的支持。此方法不涵盖年龄或地点发现、帖子存档、过往 handle 历史，或跨平台的人物匹配。

1. 先从已知的主页名册开始，并保留你的原始输入。Actor 接受已知主页，不能按年龄、地点或粉丝数搜索全部主页。必须先有一份人工名单。
2. 先运行一个公开主页，以测试你的设置。对照公开来源检查它的规范 channelUrl、handle、channelId、status、statusReason 和 observedAt。有用的行可能只是部分结果，仅凭名称匹配并不能纠正错误的目标。
3. 把标识符存为文本字符串，并把命名空间定义为 instagram:channelId。不要只因为数字相同，就把 Instagram 的 channelId 与其他平台 ID 混在一起。fbid 字段是与 Meta 关联的标识符，不是 Facebook 公共主页 ID。
4. 用安全的主页 URL 和 @handles 建立规范化的输入别名表，同时保留原始输入。为比较去掉普通的结尾斜杠和查询标记，但不要把 story 或 login 路由变成主页身份。别名规范化与 Actor 按精确字符串折叠重复项是分开的。
5. 按非空白的 channelId 值对当前观察分组。保留从输入到 channelId 的边，以及规范 channelUrl 值。当同一个 handle 在不同观察时间对应不同的 channelId 值时，保留两条记录，并检查公开来源，不要盲目覆盖旧数据。缺失的历史不能说明冲突为什么发生。
6. 若 channelId 值缺失，则把规范 channelUrl 或 handle 保留为较弱的临时证据。绝不要仅按显示名称合并账号。把 blocked、private 或 parser_miss 行留在已验证身份表之外。本地临时键是用于跟踪的元数据，不是编造的稳定身份。
7. 把结果分成已验证身份、输入别名、未解决的观察和冲突。已知身份要与输入行、有用行和观察到的 handle 分开计数。在加入额外事实之前，先解释来源状态与已采集数据之间的任何差距。
8. 为以后的刷新追加一条带有 observedAt 的新观察。Actor 不会自动返回历史变化，因此在比较计数或[随时间变化的链接列表](/zh-Hans/articles/%E5%A4%96%E8%81%94%E5%89%8D%E6%A3%80%E6%9F%A5%E5%85%AC%E5%BC%80instagram%E7%AE%80%E4%BB%8B%E9%93%BE%E6%8E%A5/)之前，你必须先检查身份。

## 演算示例与表格

以下表格展示原创虚构内容，用来说明此方法如何运作。

### 名册到 ID 的别名表

| 名册行 | 原始输入 | 原始来源 channelId | 状态 | 规范 channelUrl | observedAt | 复核状态 |
| --- | --- | --- | --- | --- | --- | --- |
| R1 | @greenstudio | 10001 | ok | https://www.instagram.com/greenstudio | 2026-03-01 | 已验证别名 |
| R2 | https://www.instagram.com/greenstudio/?ref=sheet | 10001 | ok | https://www.instagram.com/greenstudio | 2026-03-01 | 已验证别名 |
| R3 | @green_studio | 20002 | ok | https://www.instagram.com/green_studio | 2026-03-01 | 已验证别名 |
| R4 | @summerlab | null | partial | https://www.instagram.com/summerlab | 2026-03-01 | 临时 |
| R5 | @private_notes | null | private | null | 2026-03-01 | 未解决 |

### 两个已知 ID 登记表

| channelId | 关联的别名 / 输入 | 状态摘要 | 复核状态 |
| --- | --- | --- | --- |
| 10001 | @greenstudio, https://www.instagram.com/greenstudio/?ref=sheet | ok | 已验证身份 |
| 20002 | @green_studio | ok | 已验证身份 |

### 冲突与复核行

| 原始输入 | 原始来源 channelId | 状态 | observedAt | 复核状态 |
| --- | --- | --- | --- | --- |
| @greenstudio | 30003 | ok | 2026-06-01 | 与 10001 冲突（没有更名或出售的证明） |

已验证的表里有两个互不相同的已知身份，不是五个身份，也不是按一个显示名称计成的一个身份。行 R1 和 R2 是 channelId 10001 的两个输入别名。行 R4 是临时的，因为它缺少 channelId；行 R5 未解决，因为它是 private。在后来的一条虚构观察中，@greenstudio 对应 channelId 30003。把这存为带有 observedAt 时间戳的身份冲突。它不能证明更名、账号出售或冒充。在合并任何相互冲突的行之前，你必须检查边表和来源事实。

## 下一步

要运行你自己的去重工作流，请使用 Apify 的 [Instagram Channel Scraper](https://apify.com/chronometrica/instagram-channel-scraper) Actor 和 [Instagram Identity Map](https://apify.com/chronometrica/instagram-channel-scraper/examples/instagram-identity-map) Task。

## 来源和延伸阅读

- [Reddit 上的 Instagram 主页抓取讨论](https://www.reddit.com/r/instagramAsk/comments/1u1275c/instagram_profile_scrapping/)
- [Reddit 上关于抓取 Instagram 主页的讨论](https://www.reddit.com/r/n8n/comments/1pac74m/scraping_instagram_profiles/)