㊗️本期内容已收录至专栏《Python爬虫实战》，持续完善知识体系与项目实战，建议先订阅收藏，后续查阅更方便～
㊙️本期爬虫难度指数：⭐⭐⭐⭐⭐（专家级）
🉐福利：一次订阅后，专栏内的所有文章可永久免费看，持续更新中，保底1000+(篇)硬核实战内容。
全文目录：
- 🌟 开篇语
- 0️⃣ 前言（Preface）
- 1️⃣ 摘要（Abstract）
- 2️⃣ 背景与需求（Why）
- 2.1 为什么要爬开放数据目录
- 2.2 本文目标
- 2.3 目标字段清单
- 3️⃣ 合规与注意事项
- 3.1 robots.txt 基本说明
- 3.2 频率控制
- 3.3 不采集敏感信息
- 4️⃣ 技术选型与整体流程（What/How）
- 4.1 静态、动态还是 API
- 4.2 总体流程
- 4.3 为什么选 requests、BeautifulSoup、SQLite 和 JSON manifest
- 5️⃣ 环境准备与依赖安装（可复现）
- 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
- 5.5 示例配置文件
- 5.6 本地示例目录
- 6️⃣ 核心实现：请求层（Fetcher）
- 6.1 请求层应该解决什么问题
- 6.2 数据模型代码
- 6.3 配置加载
- 6.4 工具函数
- 6.5 Fetcher 实现
- 7️⃣ 核心实现：解析层（Parser）
- 7.1 JSON 目录结构约定
- 7.2 HTML 目录解析思路
- 7.3 Parser 代码
- 7.4 缺失字段怎么办
- 8️⃣ 数据存储与导出（Storage）
- 8.1 字段映射表
- 8.2 去重策略
- 8.3 Storage 代码
- 8.4 Manifest 的作用
- 8.5 Manifest 代码
- 9️⃣ 下载层：自动下载与 checksum
- 9.1 下载路径设计
- 9.2 下载层代码
- 9.3 关于 checksum 的策略
- 10️⃣ 程序入口：串起采集、解析、下载、存储
- 10.1 入口文件代码
- 10.2 为什么入口层不写复杂逻辑
- 9️⃣ 运行方式与结果展示（必写）
- 9.1 启动命令
- 9.2 输出文件在哪里
- 9.3 查询 SQLite 结果
- 9.4 示例结果
- 9.5 Manifest 示例
- 🔟 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 下载文件为空怎么办
- 10.6 checksum 不一致怎么办
- 10.7 SQLite 被锁怎么办
- 10.8 重复运行为什么都是 skipped
- 1️⃣1️⃣ 进阶优化
- 11.1 并发下载
- 11.2 asyncio 版本思路
- 11.3 断点续跑
- 11.4 日志与监控
- 11.5 定时任务
- 11.6 支持 CKAN package_search
- 11.7 更严格的数据质量检查
- 11.8 数据版本管理
- 1️⃣2️⃣ 总结与延伸阅读
- 🌟 文末
- ✅ 专栏持续更新中｜建议收藏 + 订阅
- ✅ 互动征集
- ✅ 免责声明
🌟 开篇语
哈喽，各位小伙伴们你们好呀～我是【喵手】。
运营社区： C站 / 掘金 / 腾讯云 / 阿里云 / 华为云 / 51CTO
欢迎大家常来逛逛，一起学习，一起进步～🌟
我长期专注Python 爬虫工程化实战，主理专栏👉 《Python爬虫实战》：从采集策略到
