网页采集Skill怎么用：先定字段再交样本

网页采集Skill的正确用法是"先定字段，再交样本，样本过关才放量"。多数采集返工不是因为抓不到数据，而是因为字段定义含糊、格式没约定、空值没人管，结果几千行数据里一半不可用。本文给出一张字段表模板、小样验证三步、四类最常见错误的识别方法，以及采集在权限、频率和合规上的边界。

什么时候该用采集类Skill

这类Skill匹配的任务有三类特征：数据在公开页面上、结构相对稳定、需要重复获取。典型场景包括竞品的价格与套餐页、公开的行业名单与展会名录、平台评论区与问答区、政策与条款页面的变更跟踪。

它解决的问题是把"人工复制粘贴"换成"字段表加一次校验"。它不解决的问题包括：需要登录才可见的数据、需要绕开验证码的访问、个人信息的大规模收集。判断标准很简单——这件事如果换成人工一条条打开页面抄写，你是否愿意承担同样的责任？不愿意，就不要交给Skill做。

需要说明的是，本文讨论的是采集这类任务的使用方法，不对应某个具体产品。选用具体Skill前，按Skill来源怎么核验：三步判断一个营销Skill值不值得信任走一遍来源与维护状态检查，采集类Skill尤其要看它的更新频率，因为页面结构一变，选择器就会失效。

先排除高风险场景

• 绕过登录、验证码或访问限制的采集；
• 批量收集可识别到个人的信息，例如手机号、邮箱、简历；
• 目标站点条款或robots声明明确禁止抓取的路径；
• 高频请求可能影响对方服务稳定的采集。

以上四类不是"注意一下"就行的边界，而是应该直接放弃或改用官方接口、数据合作的方式获取。

输入契约：字段表怎么写

字段表是采集任务的验收标准，写它的过程就是把模糊需求变成可判定的动作。至少包含六列：

第六列最容易被省略，也最有用。你先亲手填一遍，才知道"价格"这类字段会不会同时出现年付、月付、含税、起售价四种含义。

小样验证三步

1. 交样本页。给 5 到 10 个页面，其中必须包含一个结构不同的页面（例如特价页、无数据的空页）。只给最规范的页面，等于让Skill在温室里考试。
2. 核验三件事。字段是否取自约定位置；值是否已是可用格式（单位、日期、数字没有混入说明文字）；异常行是否按约定处理（留空、跳过还是整条作废）。
3. 写回任务卡再放量。把样本通过的标准写成一句话验收条件，连同字段表一起交给Skill，然后才允许跑全量。

输出验收：四类常见错误

• 串行错位。整列数据整体偏移，通常来自页面存在广告位或推荐模块时的位置假设，表现为某几行明显对不上号。
• 同位不同义。同一个字段混入不同口径，例如A行是月付、B行是年付均价。发现方式是抽查极值行。
• 空值伪装成数值。"面议""暂无"被写成 0 或空字符串，后续统计被拉低。字段表里必须提前规定这类值的写法。
• 去重规则缺失。同一实体在不同页面重复出现，没有唯一键就无法合并。交付前先约定用网址、名称加地区还是编号做唯一键。

权限、频率与数据处理

账号权限从只读开始，操作留日志，采集频率从低到高测试，不在短时间内重复访问同一路径。采集到的原始数据建议保留一份不修改的副本，清洗过程另存，这样出现争议时能回溯。

涉及个人信息或客户数据时，遵守公司既有的数据规范，不确定就先问再采；采集结果对外发布或进入客户交付物之前，要核一遍数据来源是否允许公开使用。权限配置方式可参考智能体权限怎么配置：最小授权与授权边界清单。

采完之后接什么

采集很少是终点。上游是需求定义，也就是你到底要回答什么业务问题，可参考市场调研Skill怎么用：从目标公司到结构化调研报告；下游是整理与分析，把原始字段变成可比较的表格或档案。如果采集结果要进客户交付物，先按怎么判断一个营销Skill值不值得用里的输出检查项过一遍，再决定是否放行。

行动建议：今天先只做字段表，选出 5 个样本页交一次小样验证。样本不合格就改字段定义，而不是让Skill多跑几遍全量——采集的时间成本几乎都花在事后清洗上。