课题组逐院系采集 · 墨尔本皇家理工大学（澳新）· 现有 14 条

入口普查的判型：人员档案系统 group 页 现有 group_url 形态：academics.rmit.edu.au / groups/<n>

⚠️ 这是换源重采：旧数据整体推翻，不要参照它。 · Win1 · Manager 2026-09-24

0. 先读方法件（不要重新发明方法）

工作区：C:\Users\Administrator\orca\projects\英澳博士课题组数据

method/METHOD.md —— 活的采集方法。重点看 §1「入口发现」与 §6「反面清单」。
method/finding_edinburgh_v2.md —— 完备性标杆（643 组 / 24 院系）
method/finding_anu_v2.md · finding_qub_v2.md · finding_bath_v2.md —— 最近几所
tasks/ —— 其它任务书

一句话：

找「组目录」，不要枚举 URL。 官方院系导航 → 各院系 /research/ → 该页上的「组目录」 （research-groups / research-centres / groups / institutes / labs， 最高价值是「每个组由一位 PI 带」的目录）。入口 20–60 个/校。

参考已跑通的：products/ 下各校 *__groups*.json 是产物格式。

1. 本波只做这一所：**墨尔本皇家理工大学（澳新）· 现有 14 条

入口普查的判型：人员档案系统 group 页 现有 group_url 形态：academics.rmit.edu.au / groups/<n>

⚠️ 这是换源重采：旧数据整体推翻，不要参照它。**

2. 交付（门槛，不是"尽量"）

院系台账（缺一行 = 没做完） 院系（全部）| research 入口 URL | 状态（取到 / 取不到：<原因>）| 组数 —— 院系清单从学校官方导航拿；给出枚举来源 URL 与总数；未取页 = 0
全量候选产物：products/<slug>_v3__groups.json （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=null） —— 启发式自动抽，不逐条判
随机抽 30 条逐条开页面核 → 准确率 + 假阳性类型 + 能否定点修掉
- 准确率 ≥90% 且类型集中 ⇒ 定点修那一类，全量直接用，不再逐页核
合理性校验：组数 ÷ 院系数。比值荒谬地低 ⇒ 回头找「组目录」那一层 （不是去爬更多 URL）。确认"再下一层没有组"要贴原文结构作证。
反例 / 判不准 / 未验清单（附页面原文）
一句话：最终组数？完备性有没有缺口？

产物写 products/，报告写 reports/finding_<slug>_v3.md（目录不存在就建）。

3. 判据与字段（摘要；细则以 METHOD.md §2 为准）

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。 大一级（institute / theme / cluster / 校级研究所）不收； 但大一级下面挂着真组时，只收内层组。

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 · 无负责人的方向页。 共性是页面上有一句「非团队自述」—— 你去看那句话。

字段	取法
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`）。⚠️ 无官方组名的按 `<负责人> 团队` 渲染并标 `_name_source: rendered_from_leader`，且要查重防撞
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
联系邮箱	只接受本组页 / 本组负责人页的邮箱
最近五年论文数	null

4. ⚠️ 并行安全（出过事故，必须照做）

5 个 worker 曾挤在同一个 ego-browser Space 的同一个 page 上 ⇒ 297 页跨校串页、整批作废。

自己新建一个 TaskSpace（不要复用别人已有的）
每个 URL 用独占的 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
成功时收尾调一次 await task.finish({ keep: [] })；因错误停止就别调，把 spaceId 报上来

⚠️ 本机浏览器可能被用户接管（ownership: user）—— 遇到就立刻停手、不重试，把 spaceId 报上来。

5. 硬要求

只在本项目内写（products/ reports/）。不碰别的项目、不碰线上库。
不设时间盒，做完整为止。 但每做完一个院系报一次 status（三句话）。
判据来自页面。你的眼睛比任何正则都准。
不许发明：抓不到 ⇒ 写「未取到： + <错误原文>」。判不准的贴出来，不要归类掉。
不要从 sitemap 全量枚举 URL（METHOD.md §6 反面清单第一条）。
只做这一所学校。

5.0 KiB Raw Permalink Blame History Unescape Escape