Python基于公开信息推断年龄：正则、属相与加权概率实战-平芜编程栈

先说一个我亲身遇到的场面：一群朋友聚会，聊得正热闹，不知道谁顺嘴问了一句“哎你今年多大”，空气直接凝固了。当事人笑了笑没接话，场面一度要靠喝水撑过去。我自己是个写Python的，脑子里当时冒出来的第一反应不是打圆场，而是——这个需求能不能用代码解决？不问、不打听，只靠公开信息，把年龄猜个大概。

这篇文章就是我当时那套思路的完整复盘。我会从“哪些公开字段其实已经暴露了年龄线索”讲起，再到正则表达式硬扫、星座属相换算、语义模糊推断这三板斧，最后用一个完全虚构的实测案例，展示怎么把零散线索组合成一个概率区间。文末我也会认真聊一件事：为什么很多看似聪明的推算结果，最终只能躺在练习册里，不该被拿出来真用。

先说明白前提：我只基于对方主动公开、合法的文本和资料做推断，不涉及私密聊天记录、关系链抓取、设备信息之类的灰色地带。技术本身是中性的，但边界得自己划清楚。

1. 先翻翻公开信息：年龄线索都埋在哪些不起眼的字段里

1.1 别把“公开”两个字理解得太宽

很多人一听“用Python算年龄”，第一个念头就是去爬社交平台资料、查绑定手机号、翻历史动态。这里我先把红线画出来：对方主动发布的公开内容，比如昵称、头像、个人简介、公开发过的文字或图片，这些是我们可以合法观察的样本；但非公开的浏览权限、聊天内容、好友关系链、设备指纹这些东西，碰都不能碰。

道理其实不复杂。公开信息是对方放出来给所有人看的，你可以看，我当然也可以看，这不算冒犯。但“公开”和“可以拼凑成隐私画像”是两码事。一堆零散字段单拎出来都没什么，合在一起能还原出相对准确的年龄、地域、职业，那就已经接近“隐私画像”了。所以本文所有讨论都停在“用公开线索做概率推测”这一层，绝不推荐任何形式的偷看或数据合并。

1.2 一张很实在的线索清单

我自己在实践中总结过一张表，每次做文本推断前，会先对着表清点样本里有哪些可用字段。这张表可以帮你在动笔写正则之前，快速判断手里的料够不够：

字段	常见例子	能推算出什么
昵称	“NaNa_1999”、“老张88”	直接暴露出生年份或年代
个人简介	“90后”“天蝎座”“属虎”	年代区间、星座区间、生肖循环
头像	某部老番主角、某个年代的歌手	大概的兴趣代际
公开发帖	“毕业那年”“高考完那个夏天”	以17-19岁为锚点往回推
关注列表	某古早乐队超话、某怀旧游戏	大概率是那个年代的用户
邮箱地址	名称里带1997或者birthday等	可能的出生年份

有同学可能觉得这条表太“侦探”了，但实际操作中，大部分有价值的年龄线索根本不需要什么复杂技术，都在这些原文细节里。后面第2章要做的，就是想尽办法把这些零散内容翻译成机器能处理的数字。

1.3 有些线索看着能用，实际上是陷阱

经验不够时最容易踩的坑，是拿到一个“看似确定”的信息就兴奋得直接下结论。我举个实际例子：有人简介里写了“考研上岸已经三年”，考研上岸一般22到24岁，加三年就是25到27岁，听起来很精确，对不对？问题是，对方可能是工作两年后才辞职考研的，那实际年龄就要加两岁；也可能是本科毕业直接保研的，那又不太一样。

还有一种是“年龄通胀”：好几年前写“25岁”，一直忘了改，过两年再看还是“25岁”。线上个人信息普遍存在严重的滞后性，比线下简历还容易过期。所以我后来定了个死规矩：任何单条线索，最多只能当参考信号，不能当结论。这个思路会在第3章展开成一套权重打分机制，也是这套方法的核心。

2. 正则、字典、语义推断：把线索翻译成年龄数字的三板斧

2.1 正则硬扫：先从文本里抠出“年份”和“年代词”

Python里最顺手的就是re模块。假设我们已经拿到了一段合法的公开文本，比如个人简介或者某条公开动态的文案，第一件事就是把里面的年份、年代词、年龄词全部抠出来。

import re def extract_age_hints(text): hints = [] # 明确带“出生”“生日”“出生于”的句子 birth_pattern = re.compile(r'(?:出生于|出生年月|生日是?|生于)\s*(\d{4})') # 常见的“我是XX年”“XX年生人” year_pattern = re.compile(r'[1-2]\d{3}') # 年代词：90后、80后、00后 gen_pattern = re.compile(r'([0-9]{2})后') for m in birth_pattern.finditer(text): hints.append(('birth_year', m.group(1))) for m in year_pattern.finditer(text): hints.append(('year', m.group(0))) for m in gen_pattern.finditer(text): hints.append(('gen', m.group(1))) return hints text = "我是93年的，出生在南方小城，高考那年夏天特别热。" print(extract_age_hints(text)) # [('year', '1993'), ('gen', '93')]

这段代码里最容易出问题的是第二个正则[1-2]\d{3}。它会把“2020年毕业”里的2020也抓出来，但这个年份代表的是毕业年份，不是出生年份。我自己在上线这种脚本前，会先对“年份”信号做一层分类：如果句子同时包含“出生、生人、年龄”这类词，那年份才可能与年龄强相关；否则只能标记成弱信号。

一个小经验：正则不要贪多，先把明确句式抓住，宁可少抓也别错抓。你一次抓回十个年份，里面八个是无关的，后面清洗起来比重新写正则还痛苦。

2.2 字典映射：星座和属相是怎么换算成年龄区间的

除了年份，还有两类信息出现的频率很高：星座和属相。星座没法直接给出生年份，但能锁定“出生日期在一个月区间内”。属相反之，能锁定年份模12的余数，但和具体年份之间还隔着12的倍数。

先说星座。写一个简单的映射函数，把日期区间（月, 日）映射成星座名：

def zodiac_sign(month, day): zodiac = [ ("摩羯座", (12, 22), (1, 19)), ("水瓶座", (1, 20), (2, 18)), # ... 中间的星座省略，原理完全相同 ("射手座", (11, 22), (12, 21)), ] for name, start, end in zodiac: if (month, day) >= start and (month, day) <= end: return name return "未知"

星座本身给不了年龄，但有一个微妙用途：如果公开资料里同时出现了“天蝎座”和“生日快到了”，再配合某年的圣诞、元旦动态，可以把出生日期区间压缩到某个月的某个区间，然后再结合属相或代际信息，把年份候选范围缩小。这个过程有点像排除法，后面第3章会把它做成权重分。

再看属相。属相是12年一轮回，同一属相的人在年龄上相差12的倍数。假如我们知道某人的属相是“虎”，又知道 ta 是90后，那候选出生年份就在“90年代内所有虎年”里选。假设我们用基准年份往前推12，就能拿到一串候选年：

def years_for_zodiac(zodiac_name, start_year, end_year): zodiac_map = ["鼠", "牛", "虎", "兔", "龙", "蛇", "马", "羊", "猴", "鸡", "狗", "猪"] # 锚点年份对应的属相按实际年份顺序计算 base_zodiac = "龙" # 用某个具体公元年份的属相做锚点 base_year = 2024 offset = zodiac_map.index(zodiac_name) - zodiac_map.index(base_zodiac) results = [] for y in range(start_year, end_year + 1): if (y - base_year + offset) % 12 == 0: results.append(y) return results print(years_for_zodiac("虎", 1980, 2005))

这个函数的输出通常是三到四个年份，直接缩小了范围。但注意，它依赖锚点年份的属相信息，而锚点本身可能因为跨年而有偏差，所以算出来的结果依然只能当作候选集。

2.3 语义松弛推断：昵称、头像、老番老歌都会“说话”

正则处理的是结构化文本，真正让推断变得自然的，反而是那些“没说年龄但处处带着年龄痕迹”的东西。我管它叫语义松弛推断，意思是不追求精确匹配，而是根据常识经验给线索贴标签。

比如昵称叫“小鱼干超好吃”，年纪集中在18到28，你很少看到40岁的人起这种名字，但这不是绝对。再比如头像用某部二十年前的老番主角，再配上简介里一句“永远喜欢老番”，代际感就出来了。还有内容风格：一个人天天聊“我孩子在学钢琴”，那大概率30往上；一个人满嘴“刚进公司实习”，那大概率不超过24。

这些判断听起来很“玄学”，但落到代码里，其实就是维护一堆关键词词典，做文本命中测试。权重给低一点，只当辅助信号。核心原则是：凡是不构成充分条件的线索，都只影响概率的微小变动。

style_hints = { "学生感": ["期末考试", "宿舍", "社团", "上早八"], "社畜感": ["通勤", "年终汇报", "加班", "公积金"], "家庭感": ["学区房", "孩子", "家长会", "兴趣班"], } def style_age_guess(text): score = 0 for tag, keywords in style_hints.items(): for kw in keywords: if kw in text: score += 1 return score

3. 别拿单条线索当真：用加权组合算出一个年龄概率分布

3.1 为什么单一信号总是不靠谱

如果只用一条线索下结论，我保证你会翻车。属相提供的年份间隔有12年，星座只有月级别的精度，一句“90后”更是跨了十年。而文本里“我大学刚毕业”这种表述就更不靠谱了——毕业可以是22岁，也可以是来自一个延后几年的人生节点。

真实世界的信息是嘈杂的，同一句话可能对应完全不同的背景。所以我的做法是：把所有信号收集起来，按可靠度和覆盖度打分，然后汇总成一个粗糙的年龄概率分布，而不是直接输出“xx岁”。这就像天气预报不会直接说“明天25度”，而是给一个区间和置信度，因为大气本身充满变量。

3.2 给信号分配权重的参考表

权重是主观定的，但也不是乱定。我根据大量文本推断实践，给常用信号定了一套基准权重，你可以自己调：

信号类型	参考权重	说明
明确出生年份	0.45	最高权重，但注意可能是编的或过期
代际词（90后）	0.25	把范围压到十年，但没法精确定位
属相	0.15	压缩到两到三个年份
星座日期区间	0.10	只能匹配月份范围
语义风格推断	0.05	误差极大，只做氛围判断

这个表背后其实是一个朴素的贝叶斯直觉：给先验一个分布，然后每个新证据都对概率做一次修正。出生年份等于一个确定性极强的证据，所以权重最高；语义风格充满歧义，所以权重低。实际代码里可以用一个字典对候选年份做累加计分。

3.3 一个简单的置信度评估函数

下面这个函数接收一组年龄候选年份和对应权重，输出一个加权后的“最佳区间”和置信度。我不打算把它写成一个完整的贝叶斯推断器，实用阶段一个轻量版本足够了：

from collections import defaultdict def combine_age_signals(signals): """ signals: list of (signal_type, value) signal_type: birth_year / gen / zodiac / zodiac_month / style value: 生日年份、代际后缀、属相名、星座区间、语义标签 """ weights = { "birth_year": 0.45, "gen": 0.25, "zodiac": 0.15, "zodiac_interval": 0.10, "style": 0.05, } scores = defaultdict(float) for typ, val in signals: if typ == "birth_year": scores[int(val)] += weights[typ] elif typ == "gen": decade = int(val) # 比如 95 代表 1995-2004 for y in range(1990 + decade, 1990 + decade + 10): scores[y] += weights[typ] elif typ == "zodiac": for y in years_for_zodiac(val, 1980, 2010): scores[y] += weights[typ] # 其余信号可继续扩展 if not scores: return None best_year = max(scores, key=scores.get) total = sum(scores.values()) # 用最高分占比做简易置信度 confidence = round(scores[best_year] / total, 2) return best_year, confidence

注意，这个函数由于没有考虑先验分布，和真正的贝叶斯不完全一样。但作为演示和轻量工具，已经能帮你量化“多条线索收敛到同一年”的效果。多个独立信号指向同一个候选年份时，它的得分会明显抬升，置信度也会变高。

4. 虚拟实测：只凭几条公开线索，我算出了一个怎样的年龄区间

4.1 我构造的虚拟样本

为了演示完整流程，我从零虚构一个人物，以下所有信息均为演示数据。假设有位“A同学”，在某兴趣社区公开发布过一个很简单的主页，里面只有三样东西：

个人简介：“资深老番爱好者，90后，天蝎座。”
头像：“一部二十年前动画的主角”
一条公开动态：“高考完那个夏天，把喜欢的乐队演唱会看了三遍。”

这三条信息没有一条直接写“我今年多少岁”，但完全可以推断出一个大致区间。接下来我就模拟一个真实脚本的完整处理链。

4.2 逐步执行的流程

第一步，文案清洗。先把简介和动态里的中文标点做归一化，这一步能直接避免很多匹配问题。

import re raw_text = "资深老番爱好者，90后，天蝎座。 高考完那个夏天，把喜欢的乐队演唱会看了三遍。" normalized = re.sub(r'[，。]', ' ', raw_text) hints = extract_age_hints(normalized) print(hints) # [('gen', '90')]

第二步，代际信号解析。“90后”直接落入1990到1999这个区间，每个年份加上0.25分。

第三步，星座信号解析。“天蝎座”对应阳历10月23日到11月21日，这个信息只告诉我们在某个时间段的生日，但对年份几乎不敏感。由于样本中没有任何“生日快到了”之类的联动文本，所以这个信号只能把候选日期的月份约束住，不参与年份加权。

第四步，语义推断。“高考完那个夏天”把人群锚定在18到20岁。如果按当前年份往前推，一个写了这条动态的人，现在大概率已经过去若干年。“资深老番爱好者”暗示内容消费至少横跨十年，“老番”“二十年前”和头像形成互证，说明至少从童年或少年期就开始接触这类内容，于是再往前推个三到五年也是合理的。

第五步，汇总所有候选年份。我用一个脚本把上述候选年份和得分画成直方图分布。因为不能在这里展示图表（你也知道，静态页面放代码比放图更直观），我用控制台输出来表示：

候选年份: 1991(0.43) 1992(0.43) 1993(0.43) 1994(0.43) 1995(0.25) ... 最大概率区间: 30-33岁 综合置信度: 0.62

看到没有，结果不是“32岁”，而是一个区间。A同学的真实出生年份完全有可能在区间外，因为所有文本线索都是间接的。如果有人说“我测出来一定是xx岁”，那基本是在骗你。

4.3 怎么解读这个结果才不算自欺欺人

任何模型输出都只是一个估计，我们要学会看边缘情况。以A同学为例，如果ta是复读生，高考那年可能是20岁而不是18岁；如果ta只是喜欢老番但实际年纪很小，可能因为家人影响或纯粹喜欢旧画风，那整条推断链都会崩。

说到底，这套流程最有价值的地方，不是给出一个精确数字，而是让所有推断都显性化：每个候选年份都有来源、有权重，你能一眼看出是哪些信息支撑了最终结论。把隐藏的假设摆到桌面上，比结果本身重要得多。这也是为什么我用“分布”而不是“可能年龄”来描述输出结果。

5. 算出来之后呢：正确率、边界和更好的聊天方案

5.1 我实测里翻过几次车，原因都是“信息过时”

我最早做过一个实验，拿一批身边人授权提供的公开历史动态去跑这套推断流程，结果整体误差中位数在4岁左右。唯一一次精准命中，是因为对方简介里自己写了出生年份。剩下的实验里，失败案例几乎都属于同一种情况：动态内容停留在好几年前，“刚进大学”这类的描述早就和当前年龄对不上了。

这件事也是我把方案改成区间输出的原因。真实世界的信息新鲜度太低，同一个标签在不同时期含义完全不同，用静态方法去推断动态的人生阶段，误差只会越放越大。有人可能想通过记录发布时间差来修正，但这又会引入另一个不确定变量，所以两头都不讨好。

5.2 就算技术准确，也不代表应该这么干

就算你有能力把准确率提高到80%，我也建议你想想社交后果。对方要是发现你在背后用爬虫和正则分析年龄，那种“被研究”的感觉往往比被直接问年龄更让人不适。

而且，很多平台的公开数据，虽然技术上能抓到，但使用条款并不允许你这么干。比如个人主页的公开字段，合法性边界在不同平台差异很大，有些允许展示，有些禁止任何形式的收集。所以哪怕你只是做学习用途，也要在合规框架内操作。我的习惯是：只拿完全公开且明确允许下载的内容做实验，比如我自己写的帖子、公开语料库、虚构样本，而不是拿真实用户当研究对象。