采集规则编写短期活动与长期知识内容如何分开承载
📱 Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; +claudebot@anthropic.com)
🔗 /042d19a3c9ec.html
📄
采集规则编写短期活动与长期知识内容如何分开承载
分开承载的核心不是把内容分成两堆，而是让同一套采集规则在不同生命周期里承担不同职责：短期活动页追求快速上线、集中抓取、到期可撤；长期知识页追求字段稳定、增量更新、历史可追溯。两者混用一套规则，最常见的反常结果是活动页更新越频繁，知识页的旧字段反而被覆盖得越乱。下面以你手上的一份采集规则配置或一个已上线页面为对象，逐步拆成可执行方案。
先判断你手上的是活动型还是知识型页面
拿一个具体页面做判断，看它的价值随时间如何变化。活动型页面的价值集中在某个时间窗口内，过期后内容基本失效；知识型页面的价值随时间累积，旧版本仍有参考意义。可核对证据包括：页面是否有明确的起止时间、同一主题是否会被反复修订、字段是否会被后续内容覆盖。
- 若页面有明确截止日期、内容围绕一次事件或促销，按活动型处理。
- 若页面主题稳定、需要长期补充或修订，按知识型处理。
- 若两者特征同时存在，说明该页面被混用了，需要拆成两个承载对象。
这一步的结果决定后续所有动作：判断为活动型，规则可以激进；判断为知识型，规则必须保守。判断错了，后面越努力越乱。
短期活动页的规则应偏向快照与到期处理
活动页的采集规则目标是“抓准一次、快速撤下”。具体动作是把采集范围限定在活动周期内，字段只保留当期有效值，并设置到期标记。
- 在规则里写入活动起止时间作为过滤条件，超出范围的数据不进入主库。
- 字段命名带上活动标识，例如
price_2024spring这类可区分的后缀，避免与常规字段冲突。 - 设置到期后的处理动作：标记为归档、停止更新，或从展示层移除。
做完这一步，你会得到一个可验证的结果：活动结束后，活动字段不再被新数据覆盖，知识页的常规字段也不会被活动数据污染。如果发现活动数据仍在写入常规字段，说明字段隔离没做到位，需要回到命名和过滤条件重新调整。
长期知识页的规则应偏向增量与版本留痕
知识页的采集规则目标是“只增不改、改则留痕”。具体动作是让每次采集只补充新字段或新条目，对已有字段的修改单独记录，而不是直接覆盖。
- 对同一字段的多次采集结果，保留时间戳和来源标识，便于回溯哪次采集改了什么。
- 对结构性内容，先判断是否属于同一主题的延续，再决定追加还是新建条目。
- 对已确认稳定的字段，降低采集频率，把资源留给变化更快的部分。
假设一个知识页每月采集一次，某次采集发现标题字段发生变化。如果规则直接覆盖，旧标题就丢了；如果规则记录了变更时间和前后值，你就能判断这是正常修订还是采集错误。这个判断会影响下一步：正常修订继续保留，采集错误则回退并修正规则。
把两套规则放进同一份配置时的取舍
现实中往往只有一份采集配置，这时取舍的关键是“用不同字段承载不同生命周期”，而不是用不同规则文件硬分家。
一种可行做法是在同一份配置里划分字段区：活动字段区允许高频更新和到期清理，知识字段区只允许追加和版本记录。这样做的代价是配置更长、维护时需要更清楚每个字段属于哪个区；收益是活动页和知识页可以共用采集入口，不必维护两套抓取逻辑。
另一种做法是彻底分开两份配置，各自独立运行。代价是重复的抓取和解析逻辑需要同步维护；收益是活动规则可以随时整体停用，不会误伤知识页。选择哪一种，取决于你的活动频率：活动频繁且字段重叠少，分开更省心；活动少且字段大量共用，分区更实际。
用一次实际调整验证分载是否成立
挑一个当前混用的页面，按上面的判断把它归为活动型或知识型，然后只改一个动作：活动型加上到期标记，知识型加上变更时间戳。运行一轮采集后，检查两件事——活动字段是否在周期结束后停止进入主库，知识字段的旧值是否仍可查到。
如果两个检查都通过，说明分载方向正确，可以把同一方法推广到其他页面；如果知识字段旧值查不到，说明版本留痕没生效，需要先修字段记录方式，再谈扩大范围。如果活动字段仍在写入，说明过滤条件没有真正生效，应检查时间判断逻辑而不是继续增加字段。
采集规则编写在这类场景里真正要解决的，不是规则写得多全，而是让每个字段清楚自己属于哪段时间、被谁覆盖、覆盖后还能不能找回。把这三点落实到当前页面上，短期活动与长期知识内容就有了各自可执行的承载方式。
