科研基金立项结果公告采集：从目录页到项目制数据入库的 Python 爬虫实战

全文目录：

• • 🌟 开篇语
  • 0️⃣ 前言（Preface）
  • 1️⃣ 摘要（Abstract）
  • 2️⃣ 背景与需求（Why）
  • 3️⃣ 合规与注意事项
  • • 3.1 robots.txt 的基本说明
    • 3.2 控制请求频率
    • 3.3 不采集敏感信息
    • 3.4 不绕过登录、付费或权限限制
    • 3.5 保留来源链接
  • 4️⃣ 技术选型与整体流程（What/How）
  • 5️⃣ 环境准备与依赖安装
  • • 5.1 创建虚拟环境
    • 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 config.yaml
    • 6.2 fund_spider/config.py
    • 6.3 fund_spider/fetcher.py
  • 7️⃣ 核心实现：解析层（Parser）
  • • 7.1 解析方式选择
    • 7.2 fund_spider/parser.py
  • 8️⃣ 数据存储与导出（Storage）
  • • 8.1 字段映射表
    • 8.2 去重策略
    • 8.3 fund_spider/storage.py
  • 9️⃣ 运行方式与结果展示
  • • 9.1 fund_spider/demo_site.py
    • 9.2 fund_spider/main.py
    • 9.3 fund_spider/**init**.py
    • 9.4 启动命令
    • 9.5 输出位置
    • 9.6 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 详情页字段不完整怎么办？
    • 10.6 编码或乱码如何处理？
    • 10.7 链接重复怎么办？
    • 10.8 附件型公告怎么办？
  • 1️⃣1️⃣ 进阶优化
  • • 11.1 并发采集
    • 11.2 asyncio
    • 11.3 Scrapy
    • 11.4 断点续跑
    • 11.5 日志与监控
    • 11.6 定时任务
    • 11.7 数据质量校验
  • 1️⃣2️⃣ 总结与延伸阅读
  • 附：完整运行步骤速查
  • 附：真实站点接入建议
  • 🌟 文末
  • • ✅ 专栏持续更新中｜建议收藏 + 订阅
    • ✅ 互动征集
    • ✅ 免责声明