火车头采集教程：新人说规则没生效，资深说数据源变了，先对照哪组证据
📱 Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; +claudebot@anthropic.com)
🔗 /1043a8e8e456.html
📄
火车头采集教程：新人说规则没生效，资深说数据源变了，先对照哪组证据
先对照“同一时间点的原始响应与规则命中记录”，而不是先争论谁的经验更可靠。新人常把“页面没出现预期内容”直接归因于规则写错，资深人员则容易先怀疑目标站点结构或反爬策略变化。两种解释都可能成立，区分它们的关键证据是：在相同任务、相同时间下，采集器实际拿到的是完整页面、残缺页面，还是验证页。若原始响应本身就缺少目标字段，问题在数据源层；若原始响应完整而规则未命中，问题才在规则层。
先固定一组可复现的对照条件
诊断分歧时，最忌讳两个人各自跑一次、各自看结果。应先把变量压到最少：同一个网址、同一份任务配置、同一时间段、同一网络出口，分别由新人和资深人员各执行一次，并保留三项记录——请求返回的原始内容、规则匹配到的字段数量、日志中的状态码或跳转信息。
这里有一个假设例子：新人执行后目标标题为空，资深人员执行后能取到标题。若两次的原始内容长度差异明显，且新人那次返回的是验证或跳转页面，那么更合理的解释是访问环境或触发策略不同，而不是规则写法有误。此时下一步不是改规则，而是先让两次请求的原始响应可比。反过来，若两次原始内容一致、都包含目标标题，但只有新人那次字段为空，才应进入规则层排查。
保留、改写还是退出：三种取舍的适用前提
证据对照完之后，通常要做一个取舍，而不是无限调试。
- 保留现有规则：适用于原始响应稳定、字段位置一致，只是本次遇到临时跳转或偶发超时。动作是记录这次异常的状态码与响应特征，再重跑一次确认是否复现。若不复现，继续观察即可，不必大改配置。
- 改写规则或数据源定位方式：适用于原始响应完整但字段位置、层级或编码发生变化。动作是先在新响应里重新定位目标字段，再决定是调整提取表达式，还是改用更稳定的定位依据。改完后要用同一份对照记录验证命中数量是否恢复。
- 退出当前数据源或任务：适用于原始响应长期缺少目标内容，或需要付出与产出明显不匹配的维持成本。动作是先确认这不是单次波动，再评估是否有替代来源。退出不是失败，而是把时间从不可控来源转移到可控任务上。
三种取舍并非都要尝试。若证据显示问题只在规则层，直接改写即可；若证据显示来源已不可用，硬改规则只会延长无效调试。
用证据区分“规则错”和“来源变”
新人倾向认为“我写的规则一定有问题”，资深人员倾向认为“肯定是网站又改了”。要打破这种各说各话，可以按下面的顺序看证据：
- 看原始响应是否包含目标字段。不包含，先归到来源层；包含，再归到规则层。
- 看两次执行的状态码、跳转和响应长度是否一致。不一致，先排除访问环境差异，再谈规则。
- 看字段是全部缺失还是部分缺失。全部缺失更像来源或整体定位问题，部分缺失更像局部规则或页面结构差异。
- 看异常是否在固定时间、固定频率下复现。固定复现更像策略或结构变化，随机出现更像网络或临时状态。
需要提醒的是，请求量下降、抓取量归零或某个字段突然为空，都不能单独证明某一种解释正确。它们也可能是目标站点临时维护、任务被暂停、网络抖动或配置被覆盖。把这些现象当成唯一证据，容易让诊断走向错误方向。
把结论写回下一步动作
诊断的价值在于决定下一步做什么。若证据指向来源层，下一步应是确认来源是否仍可用、是否需要更换入口或调整访问方式，而不是继续打磨提取表达式。若证据指向规则层，下一步应是在可比响应上重新定位字段，并用同一任务验证命中是否恢复。若证据不足以判断，下一步应是补一组对照记录，而不是凭直觉改配置。
对新人来说，可核对的证据比“感觉不对”更有说服力；对资深人员来说，先看原始响应比先下结论更省时间。两者对照的落点不是谁对谁错，而是让下一步动作有依据。
