📍 WDQWDWQD987AAAAA:216.73.217.108
📱 Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; +claudebot@anthropic.com)
🔗 /6a31c580121a.html
📄

火车头采集教程：怎样安排可以完成的练习

把练习目标定成“能独立完成一条采集任务并说明结果”，而不是“看完所有功能”。先写出最终交付物：一个可复用的采集规则、一份字段对照说明、一次实际运行记录。再倒推需要哪些资料、由谁做、做到什么程度算通过。时间和人手有限时，优先练“单页字段提取→列表翻页→导出”这条最短链路，其余功能等这条链路跑通后再补。

先定验收标准，再决定练什么

练习可以完成，前提是验收标准写得出来。建议把验收拆成三项：

• 字段完整：目标字段都能采到，空值有明确原因。
• 规则可复用：换一个同类页面，改少量配置仍能运行。
• 结果可核对：导出文件里每条记录都能对应回原页面。

如果一项练习无法写出这三条中的任何一条，它就不是练习任务，而是漫无目的的点击。判断结果的方法是：拿一条已采集的记录，回到原页面逐字段比对；对不上，说明规则或字段映射需要调整。

从交付结果倒推任务顺序

假设你的目标是采一个列表加详情页的站点（以下为假设场景，用于说明方法）。倒推顺序是：

1. 确定要交付的字段清单，例如标题、发布时间、正文、来源链接。
2. 先在详情页上做单页提取，确认每个字段的定位方式。
3. 再做列表页翻页，拿到详情页链接集合。
4. 最后把列表与详情串起来，导出并抽样核对。

责任划分按角色而不是按功能：一人负责字段定义和验收，一人负责规则配置。人手只有一人时，把“定义”和“配置”分两个时间段做，先写完字段清单再动手，避免边做边改标准。

时间和人手有限时的优先级

优先处理“卡住后续所有步骤”的工作。判断依据是：这件事不做，后面是否完全无法开始。通常排在最前的是字段清单和单页提取，因为翻页和导出都依赖它。

可以暂时放后的：

• 多站点适配、复杂反爬处理、定时调度。
• 去重、清洗、格式统一等后处理。
• 大规模并发和稳定性优化。

这些不是不重要，而是它们的前提是单条链路已经跑通。链路没通就做优化，等于在没验收的规则上叠加复杂度。

一次练习的最小检查项

每次练习结束前，用下面几项做自检：

• 字段清单是否和导出文件列名一一对应。
• 随机抽 5 条记录，链接能否打开、内容是否一致。
• 翻页是否覆盖到你设定的页数，最后一页是否正常结束。
• 规则文件是否保存并可再次加载运行。

自检不通过时，先定位是“字段定位问题”还是“页面加载问题”，两者原因不同，处理方式也不同。前者改规则，后者需要确认页面是否需要等待或登录。

下一步怎么做

现在写下一份字段清单，只列你这次真正要交付的字段，然后挑一个详情页完成单页提取。单页能稳定导出后，再进入翻页练习。这样每一步都有可验收的结果，练习才排得完。