火车头采集教程：没有真实业务数据时怎样构造有限假设
📱 Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; +claudebot@anthropic.com)
🔗 /ed0c3a0ef6b6.html
📄
火车头采集教程：没有真实业务数据时怎样构造有限假设
没有真实业务数据时，不要试图凭空造出一套“正确”的采集方案，而是把练习目标压缩成一条可验证的假设：用你手头任意一个公开页面，写出“我以为它的结构是什么样”，再让采集结果来推翻或保留这条假设。有限假设的关键在于限定范围——一次只验证一个判断，比如列表页链接是否都指向详情页、详情页标题是否落在同一个标签里。下面以你手边一个具体页面为对象，把分歧转成可核对的步骤。
先选一个页面，再写下三句可被推翻的话
假设你正在练火车头采集教程里的规则配置，但手上没有公司给的订单页或商品库。此时可以打开一个公开的资讯列表页，先不写规则，而是用三句话描述你的预期：第一，列表页每条记录的链接都在同一个容器里；第二，详情页标题只出现一次且位置固定；第三，翻页地址有可预测的数字变化。这三句就是你的有限假设，它们不是事实，而是等待被检验的判断。
写完后，给每句话标注一个可观察的证据来源。例如“链接都在同一容器”可以看列表页源码里链接标签的父级结构是否一致；“标题只出现一次”可以搜索标题文字在详情页源码中出现的次数；“翻页可预测”可以手动改一次页码看地址是否还返回内容。证据来源越具体，后面越容易判断假设是被支持还是被推翻。
把分歧转成核对项：多人对同一页面理解不同时怎么办
多个角色看同一个页面时，分歧往往不在“能不能采”，而在“哪个才是数据”。编辑可能认为正文是数据，运营可能认为发布时间才是关键字段。练习时不必争论谁对，而是把分歧写成一张核对表：每行一个字段，每列写“预期位置”“实际位置”“是否一致”。这样分歧就从口头判断变成了可以逐项打勾的记录。
核对表里要留一列“反例”。比如你预期标题在<h1>里，但实际页面上<h1>装的是栏目名，标题反而在<div class="title">里，这就是反例。反例的价值在于它直接告诉你假设哪里不成立，而不是让你继续猜。把反例补进核对表后，下一步动作就明确了：要么换定位方式，要么承认这个页面不适合作为该字段的练习对象。
用有限假设跑一次，观察结果如何改变下一步
假设你只验证一条：列表页所有链接都指向详情页。你可以先手工复制前五条链接，逐个打开，记录是否都能看到正文。如果五条里有两条跳到栏目页，那么你的假设已经被部分推翻。此时不要扩大采集范围，而是回到列表页，检查这两条链接所在的容器是否和其他链接不同。这个动作的结果会直接影响下一步——如果容器不同，你需要为它们单独写一条规则或直接排除；如果容器相同但链接地址不同，问题就转移到链接提取条件上。
再假设你验证“详情页标题唯一”。用浏览器的查找功能搜索标题文字，如果出现三次，分别位于页面标题、正文顶部和侧栏推荐，那么你原先的定位条件就会采到错误内容。此时下一步不是加更多过滤词，而是先确定你要的是哪一个位置的标题，再回到源码里找它独有的父级特征。有限假设的作用就在这里：它让你在缺少真实业务数据时，仍然能通过一次小范围验证获得明确的调整方向。
给假设加边界：哪些结论不能从练习页面推出来
练习页面能告诉你规则在当前结构下是否成立，但不能告诉你目标站点的反爬策略、更新频率或字段完整度。如果你用资讯页练通了标题和链接，不代表换成商品页就能直接套用，因为商品页可能有价格异步加载、库存接口或登录限制。把边界写清楚，可以避免把一次练习结果当成通用结论。
一个实用的边界写法是：在假设后面补一句“仅在页面结构不变、无需登录、字段出现在初始HTML中时成立”。这句话不是免责声明，而是提醒你下一步该验证什么。如果后续要处理异步加载，你的假设就应该改成“价格不在初始HTML中，需要观察网络请求”，而不是继续在初始源码里找。边界越明确，你越知道什么时候该换一种验证方式。
把本轮记录变成下一轮的起点
一轮练习结束后，保留三样东西：原始假设、核对表、被推翻的反例。下一轮不要重新写一套全新假设，而是从反例里挑一个最影响结果的点继续验证。例如本轮发现翻页地址不是数字递增，而是带参数跳转，那么下一轮就专门验证跳转后的地址是否稳定、是否受时间戳影响。这样每一轮都建立在上轮的实际结果上，而不是重复从零开始。
当你能用有限假设解释“为什么这次采到了、为什么那次没采到”，练习就已经从照抄步骤转向了可迁移的判断。此时再回到火车头采集教程里的规则配置，你会更清楚每个选项在验证哪一条假设，而不是机械地填完所有输入框。最终要留下的不是一份完美规则，而是一套能让你在没有真实数据时仍然做出可核对决定的方法。
