# 课题组采集方法（活的方法件）

> 这份是**方法论**，不是某一校的报告。任务书从这里引用，**不要再各写一套**。
> 立此件的起因：用户指出「做事情不可能依次去枚举所有的 URL」—— 对。
> 我此前把爱丁堡跑出来的**结果**（跟了 117 个子域）写成了**要求**，导致 worker 去 sitemap 拉上万个 URL。
> **那是蛮力，不是方法。**

---

## 0. 目标

每所学校产出一份「**导师带的组**」清单，五字段：
`课题组名称` · `所在大学及研究中心` · `研究方向` · `联系邮箱` · `最近五年论文数`(暂 null)

---

## 1. 方法：**入口发现**（有限），不是 **URL 全量枚举**（几万）

### 数量级对照（实测）

| 做法 | 入口数 | 例 |
|---|---|---|
| ✅ **官方院系导航 → 各院系 `/research/` → 组目录** | **20–60 / 校** | Bristol 216 个入口 URL；Edinburgh 几十个 |
| ❌ sitemap 全量枚举 | **上万 / 校** | Monash 13,568 个 URL —— 绝大部分是新闻/课程/人员页 |

### 步骤

1. **找学校官方的院系导航**
   `…/faculties/`、`…/schools-departments/`、`…/about/structure`、`…/colleges-schools-and-departments`
   ⇒ 拿到**该校的院系全清单**（通常 10–60 个）。**这就是完备性的分母。**

2. **每个院系进它的 `/research`**（或 `/research/`、`/our-research`、`/research-and-innovation`）

3. **⭐ 在院系 research 页上找「组目录」** —— 这是整个方法的核心
   识别特征（链接文字 / 页面标题 / 路径）：
   - `research-groups` · `research-centres` · `centres` · `groups` · `institutes` · `labs`
   - **最高价值：`每个组由一位 PI 带` 的目录**（表格或多行列表，几十到几百行）
     - 页面原话常写作 **"each led by a Principal Investigator"** / "our research groups"
     - 爱丁堡 Biology 这一个目录 = **140 条**（占全校 643 的近 1/4）

4. **目录条目 → 组自己的页面 → 取五字段**

5. **子域/外站**：**只在院系站的链接指向它时才跟**（如 `biology.ed.ac.uk`、`bristolmathsresearch.org`）。
   **不是**去 sitemap 里搜子域列表。爱丁堡那 117 个子域是**跟出来的结果**，不是要去枚举的目标。

---

## 2. 判据：什么算「一个组」

> **打开页面像人一样看：这是不是一个「导师带的做研究的团队」？**
> **粒度上限 = 一个导师能带的规模。**

| 收 | 不收 |
|---|---|
| `Bristol Cyber Security Group` · `Clark group` | `Intelligent Systems Laboratory`（自述 150+ 人、七个单位的联邦） |
| `Bristol Glaciology Centre` | 校级研究所（Cabot / Brigstow / Quantum …） |
| 有具名负责人 + 方向 + 一个导师能带的规模 | Chemistry/Physics 的 `theme`、`cluster` |
| **大一级下面挂着的内层组** | 只有方向文字 + 一长串人员链接、**无具名负责人**的方向页 |

**不是组**：服务设施 · 研讨会系列 · 项目 · 学生培养计划 · 单项研究 · 空页重定向 · 主题页。
**共性是页面上有一句「非团队自述」—— 你去看那句话。**

### 字段取法

| 字段 | 取法 |
|---|---|
| 课题组名称 | 该组**自己页面**的 H1（无 H1 用 `<title>`；JS 渲染/表格行用**目录里的官方组名**并标 `_name_source`） |
| 所在大学及研究中心 | 大学 + **真实上级研究单位**；⚠️ 上级是系/院/学部的**不许当研究中心写**，没有真上级就**只写大学** |
| 研究方向 | 该组页上的方向文字。**没有 ⇒ 不要**（用户裁） |
| 联系邮箱 | 只接受**本组页 / 本组负责人页**的邮箱；不接受学院总邮箱 |
| 最近五年论文数 | null（用户裁：先留空） |

---

## 3. 完备性门槛（**交付门槛，不是"尽量"**）

1. **院系台账**：`院系（全部）| research 入口 URL | 状态(取到/取不到+原因) | 组数`
   —— **缺一行就是没做完**；`未取页 = 0`
2. **合理性校验**：`组数 ÷ 院系数`
   —— 比值**荒谬地低** ⇒ 大概率漏了「组目录」这一层，**回头找目录**（不是去爬更多 URL）
3. 基准：Bristol ≈5.8/系 · Edinburgh ≈25.7/系（因校而异，只看是否荒谬地低）

---

## 4. 质量：**抽样验，不逐页核**（用户裁）

1. **启发式自动抽**（全量，不逐条判）
2. **随机抽 30 条**逐条开页面核 → **准确率** + **假阳性类型**
3. 准确率 **≥90% 且类型集中** ⇒ **定点修那一类，全量直接用**
   ⇒ **不要再逐页核**（"逐页核 643 条"是迂腐；改成抽样，一个数量级更快）
4. 省下的时间**全部用来把院系覆盖做全** —— 那才是真正的缺口

---

## 5. 并行安全（出过事故）

5 个 worker 曾**挤在同一个 Space 的同一个 page** 上，297 页跨校串页、整批作废。

- **每个 worker 自己新建 TaskSpace**（不要复用别人已有的）
- **每个 URL 独占 `newPage()`**，**不要共用 p1**
- **每取一页校验 `page.url()` 与目标一致**；不一致 ⇒ 废掉重取
- 成功收尾调一次 `await task.finish({ keep: [] })`；**因错误停止就别调**，把 `spaceId` 报上来

---

## 6. 反面清单（**不要做**）

- ❌ 从 sitemap 全量枚举 URL（上万个，绝大部分无关）
- ❌ 逐页核每一条（用抽样代替）
- ❌ 在解析器里写死「哪些名字算组」「哪些学校跳过」的名单（判据必须来自源站结构/页面内容）
- ❌ **把 Pure 当主源或唯一源**（⚠️ 2026-09-24 修正，见下）
  - **已实证**：ANU 的 Pure 最细是 Department，导师个人页的 organisations 只有 1 个行政单位
    ⇒ **对 ANU 这类，Pure 里根本没有"组"这一层**，抽出来的全是组织架构
  - **但同样已实证（巴斯）**：有 **11 个组只存在于 Pure**（RaCE / EMaCS / BathCTI / CSCT / CEI /
    CREA / ADBL / MENASP / REVEAL …），**主站 sitemap 里没有任何对应页面**。
    照"不用 Pure"字面执行会漏 11 组（119→108，−9.2%）
  - ⇒ **正确规则（条件式）**：
    **主源是院系站**（`院系导航 → /research/ → 组目录`）；
    **Pure 作为补充源** —— 只在**同时满足**时收：① 源站 type ∈ 研究类
    ② 页面有具名负责人 ③ 粒度是一个导师能带的规模。
    **既不当主源，也不整个不用。**
  - 判别某校该不该用 Pure 补充：**看它 Pure 的 type facet 里有没有研究类 type**（Bristol/Bath 有；
    ANU/Monash 没有）。没有 ⇒ 该校 Pure 对"组"零贡献。
- ❌ 用一条绝对规则套所有学校（**每一次"ANU 所以所有学校都这样"的推广，都在巴斯被证伪了**）