企业官网建设流程全解析

全文目录：

• • 🌟 开篇语
  • 0️⃣ 前言（Preface）
  • 1️⃣ 摘要（Abstract）
  • 2️⃣ 背景与需求（Why）
  • • 2.1 为什么要做儿童友好与研学资源聚合？
    • 2.2 目标来源
    • 2.3 目标字段
    • 2.4 业务重点：适龄标签归一
    • 2.5 活动与机构双表结构
    • • 机构表 organizations
      • 活动表 activities
  • 3️⃣ 合规与注意事项
  • • 3.1 robots.txt 基本说明
    • 3.2 频率控制，不做攻击式并发
    • 3.3 不采集敏感信息
    • 3.4 不绕过付费、登录或访问限制
  • 4️⃣ 技术选型与整体流程（What/How）
  • • 4.1 静态、动态和 API 的判断
    • • 1. 静态页面
      • 2. 动态页面
      • 3. API 数据
    • 4.2 总体流程
    • 4.3 为什么选 requests、bs4、lxml？
    • 4.4 什么时候用 Scrapy？
    • 4.5 什么时候用 Playwright？
  • 5️⃣ 环境准备与依赖安装
  • • 5.1 Python 版本
    • 5.2 创建虚拟环境
    • 5.3 安装依赖
    • 5.4 推荐项目结构
  • 6️⃣ 核心实现：请求层（Fetcher）
  • • 6.1 headers
    • 6.2 timeout
    • 6.3 session / cookie
    • 6.4 失败处理：重试与退避
  • 7️⃣ 核心实现：解析层（Parser）
  • • 7.1 解析方式选择
    • 7.2 列表页如何拿详情链接？
    • 7.3 详情页如何抽字段？
    • 7.4 缺失字段怎么办？
  • 8️⃣ 数据存储与导出（Storage）
  • • 8.1 为什么用 SQLite？
    • 8.2 字段映射表
    • • activities 表
      • organizations 表
    • 8.3 去重策略
    • • 1. URL 唯一
      • 2. 内容 hash
      • 3. 业务 key
  • 9️⃣ 运行方式与结果展示
  • • 9.1 完整可运行代码：main.py
    • 9.2 如何运行？
    • 9.3 输出在哪里？
    • 9.4 示例输出
  • 🔟 常见问题与排错
  • • 10.1 遇到 403 怎么办？
    • 10.2 遇到 429 怎么办？
    • 10.3 HTML 抓到空壳怎么办？
    • 10.4 解析报错怎么办？
    • 10.5 编码和乱码如何处理？
    • 10.6 数据重复怎么办？
  • 1️⃣1️⃣ 进阶优化
  • • 11.1 并发优化
    • 11.2 asyncio 异步采集
    • 11.3 Scrapy 改造
    • 11.4 断点续跑
    • 11.5 日志与监控
    • 11.6 定时任务
    • 11.7 适龄标签进一步优化
    • 11.8 活动与机构关联优化
    • 11.9 地图点位扩展
    • 11.10 搜索与推荐扩展
  • 1️⃣2️⃣ 总结与延伸阅读
• 附：多来源适配器设计示例
• 附：字段质量检查脚本
• 附：JSON 导出脚本
• 附：把适龄字段拆成 age_min / age_max
• 附：真实项目落地建议
• • 🌟 文末
  • • ✅ 专栏持续更新中｜建议收藏 + 订阅
    • ✅ 互动征集
    • ✅ 免责声明