Repos / allengaller / podcast-database OWN

podcast-database

Podcast Database · 全网热点播客深度研究语料库

在 GitHub 查看 ↗

Podcast Database · 全网热点播客深度研究语料库

一个以 Markdown 为主 的播客赛道研究语料库:逐档记录全网(中文 + 英文)头部播客的定位、主播、形式、受众、代表单集与影响力。

用途:内容研究、对标分析、选题参考、播客生态观察。

这是什么

本仓库是一个播客本身这个赛道的深度研究语料库。核心理念:一档播客 = 一个 Markdown 文件,标准化字段 + 结构化正文,可读、可检索、可持续维护。

语言分仓:中文播客放 podcasts/zh/,英文 / 国际播客放 podcasts/en/,按赛道分子目录(科技 / 商业 / 财经 / 文化 / 新闻 / 科学 / 喜剧 / 生活)。

快速导航

你想… 去哪
了解语料库结构、字段规范、编写原则 podcasts/README.md
新增一档播客,照模板填 podcasts/_template.md
浏览中文播客 podcasts/zh/
浏览英文播客 podcasts/en/
查总索引(全库一表) podcasts/INDEX.md
网页版浏览 / 检索(Web App) web/index.html
精读置顶节目(学习专题) podcasts/featured/
看每日推荐索引 recommendations/
了解发展路线图 ROADMAP.md
查阅历史 LeetCast 代码 tools/ · 见 tools/ARCHIVE.md

置顶学习专题

对需要逐集精读的头部节目,建立"节目速览 + 学习路径 + 精选单集 + 单集笔记模板 + 进度追踪"式置顶专题,收录在 podcasts/featured/(不参与语料库校验与统计,源档案仍在 zh/、en/ 常规目录):

网页版(Web App)

web/ 是一个零依赖静态站(纯 HTML/CSS/JS,无构建步骤):浏览 / 检索 231 档语料、按语言 / 赛道 / 状态筛选、查看订阅入口,并直接阅读两个置顶学习专题与《硅谷 101》单集研读笔记。数据来自 dist/podcasts.json,本地预览:

python3 -m http.server 8123   # 仓库根目录运行,访问 http://127.0.0.1:8123/web/

当前进度

  • 批次 1(2026-08-03):中英文共 41 档头部播客(已收录 full),每档完整字段。
  • 批次 2(2026-08-03):遍历各分类扩充 + 新增垂类(中文 story/、英文 true-crime/ history/ education/ health/),共补 77 档 stub(status: todo,仅占位、细节待核实)。
  • 批次 9(2026-09-04):批次 8 遗留 16 档 stub 全部升级为深档(全部经 web 检索核实,Forbes 2026 收入榜数据回填);同日收编 cron 遗留未提交 stub 25 档、清理重复档 7 档,并落地校验 / 统计 / 导出脚本与 CI。详见 podcasts/README.md「当前进度」批次 9 段。
  • 批次 10(2026-09-05):8 档升级深档(罗永浩的十字路口 / 陈鲁豫·慢谈 / 张小珺商业访谈录 / 声动早咖啡 / 面基 / B2B Growth / Founder's Journal / Stratechery),删除 2 档误档(office-hours-with-patrick-o-shaughnessy、zh/tech 声动早咖啡重复 stub);zh/news 实现深档零的突破。详见 podcasts/README.md「当前进度」批次 10 段。
  • 批次 11(2026-10-02 启动 · 候选方案已拟):zh 薄类目(comedy 1 / finance 2 / news 5)收口方案 v0.1 入库,等用户拍板;同期新增 4 篇研读笔记(硅谷101 E251 推理芯片之战 / E244 机器人走错路了?/ E247 对话盛颖 xAI;TWiT #1102 AI 幻觉 / 谷歌 / Meta);CRON 推荐索引回填 2026-09-23 至 2026-10-02 共 10 天;GTM 复盘 v0.2 落档(165 → 231 档 / SEC 02 数字加源)。详见 ROADMAP.md 2026-10-02 执行记录。

当前合计:232 档(中文 90 + 英文 142),其中深档 148 档、stub 84 档(截至 2026-10-02;由 scripts/stats.py 自动统计,勿手改)

编写原则(摘要)

  1. Markdown 优先 —— 语料库以可读 Markdown 为主体;工具与脚本为辅,归档在 tools/。
  2. 只写确凿事实 —— 名称、主播、出品方、平台、年代、定位正常写。
  3. 不确定的留 TODO —— 易变 / 难核实信息(订阅数、最新单集、精确 RSS URL、近期排名)标 TODO,不编造。
  4. 代表单集选能体现节目风格的,不必追最新。
  5. 保持中立,不做营销口吻。

完整规范见 podcasts/README.md。

仓库结构

.
├── README.md           ← 本文件(语料库入口)
├── ROADMAP.md          ← 发展路线图(P0-P3 + 执行记录)
├── .gitignore
├── podcasts/           ← 语料库主体(Markdown)
│   ├── README.md       结构 / 字段 / 原则 / 路线
│   ├── _template.md    标准档模板
│   ├── INDEX.md        总索引(由 scripts/stats.py 自动生成)
│   ├── featured/       置顶学习专题(逐集精读指南)
│   ├── zh/             中文播客(按赛道分目录)
│   └── en/             英文播客(按赛道分目录)
├── recommendations/    ← 每日 cron 推荐索引(YYYY-MM-DD.md)
├── scripts/            ← 语料库工具(validate / stats / export / make-stub)
├── dist/               ← 机读导出(podcasts.json / podcasts.csv,自动生成)
├── web/                ← 网页版浏览(零依赖静态站:浏览 / 检索 / 精读专题)
├── GTM/                ← 上市策略单页(静态)
├── .github/            ← CI(corpus-ci:校验 + 统计/导出新鲜度)
└── tools/              ← LeetCast 历史代码归档(不再维护)
    └── ARCHIVE.md      归档说明

关于 tools/

tools/ 下的 LeetCast 工程代码(原仓库主体)已于 2026-08-03 归档,不再维护 / 构建。其中含一个 transcribe 命令(把 Apple Podcasts / RSS 音频经阿里云通义听悟转写为本地 Markdown),是语料库未来可能用到的辅助工具,但语料库本身不依赖该代码运行。详见 tools/ARCHIVE.md。

贡献

复制 podcasts/_template.md 到对应 zh|en/<category>/<slug>.md,填字段(不确定项标 TODO),提交 docs: add <播客名>。

License

本仓库采用 双协议:

完整说明与归属示例见 LICENSE-data。