把全网社保问答爬下来：RAG知识库的前传

把全网社保问答爬下来：RAG 知识库的前传

你问 RAG 的知识从哪来？不是买的数据集，是一个一个问题从网页上扒下来的。

一、问题

上篇搭好了 RAG 智能客服——Milvus + BGE-M3 + DeepSeek。但知识库是空的。你需要社保问答数据，结构化、一问一答的那种。

正常做法：找现成的数据集、买数据、或者人工整理。最省的办法：政府网站上有公开的在线问答页面，爬下来。

二、爬：搜出所有问答链接

某网站的社保问答入口是一个搜索结果页，分页显示。先翻页遍历：

importrequestsfrompyqueryimportPyQueryaspq i=1327# 文件编号起点forjinrange(7,0,-1):# 从第 7 页倒着爬到第 1 页url=f'https://sou.example.com/?q=关于社保那些事&title=2&type=1&page={j}'response=requests.get(url)doc=pq(response.text)

为什么倒着爬？旧数据排在前面，先归档。

然后从搜索结果页提取所有链接，过滤出.shtml结尾的——问答详情页：

links=doc('a')forlinkinlinks.items():href=link.attr('href')ifhrefand'.shtml'inhref:# 打开详情页，开始解析

三、解析：以"问"为刀，切开一页里的多轮问答

一个.shtml页面里可能包含多组问答。页面格式是：每一组以"问"开头，后面跟若干行回答文本，直到下一组"问"或页面结束。

解析规则（流程图）：

读一行 ├── 这行以"问"开头？ │ ├── 之前有问答 → 保存上一组（问+答），清空答案，当前行=新问题 │ └── 之前没有 → 当前行=新问题 ├── 这行包含结束标记？（"您还可以通过以下渠道反映"） │ └── 保存最后一组，结束 └── 其他行 → 追加到当前答案

代码：

ps=doc2('p')q=''# 当前问题answer=''# 当前答案file=Noneforpinps.items():text=p.text()iftext.startswith("问"):# 上一组问答保存iffile:file.close()myodbc.insert(q,answer,conn)answer=""# 新问题开始pathname=f"d:\\q2\\{i}.txt"i+=1file=open(pathname,"w",encoding="utf-8")q=textfile.write(text+"\n")elif"您还可以通过以下渠道反映关于"intext:# 页面结束file.close()myodbc.insert(q,answer,conn)breakelse:# 追加答案行text=text.replace("海南省社会保险服务中心（医疗保险服务中心）","")answer+=textfile.write(text+"\n")

四、存：入库 + 本地文件双保险

两条通路：

1. 数据库入库：myodbc.insert(q, answer, conn)— 结构化存储，后续直接导进 Milvus
2. 本地文件备份：d:\q2\{编号}.txt— 爬的时候备份一份，入库出问题了有源文件可回溯

五、Clean：去掉机构名称噪音

答案里经常出现"海南省社会保险服务中心（医疗保险服务中心）"这种全称，每个回答都带。直接replace去掉，留下的文本更干净。

text=text.replace("海南省社会保险服务中心（医疗保险服务中心）","")

六、为什么不用 AI 解析

现在做知识抽取，最主流的方式是让 LLM 直接从网页里提取问答对。但在这个场景下，规则比 AI 好用：

• 格式高度统一：所有页面都是同一个 CMS 生成的，结构完全一致
• 边界标记明确："问"字就是天然切分符
• 零推理成本：不需要理解上下文，不需要处理歧义
• 可审查：规则解析不会漏，也不会编造；LLM 可能漏，也可能编

这不是反 AI。是在规则能解决的时候，用规则——简单、可控、零 API 费用。

七、环节补全

回顾整个 RAG 系统的数据链路：

网上公开的政务问答页面 → 爬虫遍历搜索结果页，提取所有 .shtml 链接 → 逐页解析，以"问"为边界切分出问题—答案对 → 清洗噪声（去掉机构名称、页面尾注） → 存入数据库 + 本地文件备份 → 向量化（Ollama + BGE-M3）入库 Milvus → RAG 检索 + DeepSeek 生成回答

这篇文章补上了 RAG 系列缺失的第一环——知识从哪来。

八、亮点总结

✅ 零成本——pyquery十几年前的库，零API费用
✅ 规则解析——if text.startswith("问")一条规则切分全部问答，比LLM更可靠
✅ 双保险——数据库入库+本地文件备份，入库出问题有源文件可回溯
✅ 人工Clean——一行replace去掉机构名称噪音
✅ 完整数据链路——从爬取到解析到清洗到入库到向量化，一环不缺
✅ 简单可控——规则不会漏也不会编造，LLM可能漏也可能编

九、适用场景

• 政府网站公开的问答页面——CMS统一生成，格式高度一致
• 需要构建领域知识库但没有现成数据集的场景
• 结构化的QA页面爬取——边界标记明确，规则优于AI

十、扩展方向

1. 增量爬取——定时检测新页面，只爬增量的问答
2. 去重处理——多个页面可能包含相同问题，入库前做语义去重
3. 分类标签——根据问答内容自动打标签（养老/医疗/工伤/失业）
4. 质量过滤——排除答案过短或含"请咨询当地社保局"等无效回答

十一、总结

不是什么高深技术。pyquery 十几年前的库，解析规则就一条if text.startswith("问")。但就是这条简单的规则，把散落在网上的几千条政务问答变成了结构化数据，喂进了向量数据库，最终变成了那个能自动回答"职工缴费年限不够怎么办"的智能客服。

写这个脚本的时候，LLM 还没进入大众视野。但思路是一样的：找到规律，用最简方案把它变成数据。