目录与规范版本 diff 及质量规则引擎：用 Python 构建规范变更识别、状态冲突与字段缺失检测系统

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
    • 2.2 目标站点与采集对象
    • 2.3 本文的核心任务
  • 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
    • 3.4 日志与证据保留
  • 4️⃣ 技术选型与整体流程（What/How）
  • • 4.1 静态、动态与 API 的选择
    • 4.2 整体流程
    • 4.3 为什么不用 Scrapy 或 Playwright 起步
  • 5️⃣ 环境准备与依赖安装
  • • 5.1 Python 版本
    • 5.2 安装依赖
    • 5.3 推荐项目结构
  • 6️⃣ 核心实现：请求层（Fetcher）
  • • 6.1 headers 设置
    • 6.2 timeout 设置
    • 6.3 session 与 cookie
    • 6.4 失败处理与退避
  • 7️⃣ 核心实现：解析层（Parser）
  • • 7.1 数据模型
    • 7.2 解析列表页
    • 7.3 列表页如何拿详情链接
    • 7.4 详情页如何抽字段
    • 7.5 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
  • 9️⃣ 运行方式与结果展示
  • • 9.1 示例页面：catalog_2025.html
    • 9.2 示例页面：catalog_2026.html
    • 9.3 Diff 引擎
    • 9.4 质量规则引擎
    • 9.5 CSV 导出
    • 9.6 配置文件
    • 9.7 主入口
    • 9.8 如何启动
    • 9.9 示例结果展示
  • 🔟 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 编码或乱码如何处理
    • 10.6 为什么同一个 doc_id 会出现多条记录
    • 10.7 为什么要输出 evidence
  • 1️⃣1️⃣ 进阶优化
  • • 11.1 并发优化
    • 11.2 断点续跑
    • 11.3 日志与监控
    • 11.4 定时任务
    • 11.5 规则配置化
    • 11.6 接入 MySQL
    • 11.7 更细的变更类型
    • 11.8 结果人工复核闭环
  • 1️⃣2️⃣ 总结与延伸阅读
• 附录：完整项目代码汇总
• • requirements.txt
  • config.py
  • cleaner.py
  • fetcher.py
  • parser.py
  • storage.py
  • diff_engine.py
  • rules.py
  • exporter.py
  • main.py
  • 🌟 文末
  • • ✅ 专栏持续更新中｜建议收藏 + 订阅
    • ✅ 互动征集
    • ✅ 免责声明