案例 28｜学术文献信息采集

一、案例背景与采集目标

做研究的第一步往往不是写，而是读。要弄清一个问题被研究到什么程度，最省力的办法是按关键词把相关文献捞出来，摆成一张能被筛选、能被排序的清单。挑题目、找综述、看谁在引用谁，靠的都是这张清单。

本科阶段最常用的中文文献检索入口是中国知网（CNKI），主站是 https://kns.cnki.net/kns8s/defaultresult/index?kw=数据采集 ，检索结果页会一屏列出几十条文献记录。每条记录都带着题名、作者、来源、发表日期，点进详情页还能看到关键词、基金、摘要。这一篇就把采集任务实实在在地落在中国知网的检索结果页上，站点、网址、字段都写清楚。

1.1 这个案例要拿到什么

• 在中国知网检索结果页按关键词检索，把前几页的条目取回；
• 取回每篇文献的题名、作者、作者机构、来源（期刊或会议）、发表年份；
• 取回关键词、基金、被引量、下载量这些知网特色的计量字段；
• 取回摘要（表格里截断，完整摘要另存）与DOI 或原文链接；
• 把全部条目整理成一张带表头的文献清单表，并另存一份可导入文献管理软件的清单。

1.2 这个案例的难点在哪里

文献元数据看起来简单，实际有三处特别容易翻车，务必先有心理准备。

目标站点与交付产物

下表是本篇用到的真实站点。绿色是课堂可稳定复现的示范站点；橙色是延伸站点，多数有登录墙或风控，课堂上只讲结构、原理与合规边界，不教绕过。

二、数据源与字段设计

示范站点固定为中国知网的文献检索结果页，延伸站点再给出几个可以补充的公开源。注意：知网的部分计量字段（被引、下载）在页面上是动态展示的，采集前要先确认取得到。

2.1 目标站点信息

2.2 完整字段表（14 个字段）

2.3 三条字段口径要点

1. 作者分隔符统一。中文库常用「，」，英文预印本常用「, 」外加 and 连接。约定一个：中文文献用分号，英文文献也用分号，全表一致，将来拆「第一作者」或数「合作者数量」时才不会乱。
2. 摘要分两层存。表格里只放前 120 个字符（够你扫一眼判断相关性），完整摘要另存到一个文本文件里，按序号一一对应。这样表格清爽，需要深读时再去看全文。
3. 被引量与下载量必须带时间戳。这两个数每天都在涨，今天 37 明天 41。清单里要额外加一列「计量统计日期」，写明「截至 2026-10-08，来源为中国知网」。

三、零代码操作步骤

本案例的操作主线是「先探字段，再小批试采，最后定口径导全量」。全部动作都在 WorkBuddy 对话里完成，你只需把中国知网的检索页地址和字段要求讲清楚。

1. 打开中国知网 https://kns.cnki.net/kns8s/defaultresult/index?kw=数据采集，输入关键词（例如「短文本分类」）完成一次检索，把检索结果页的网址复制下来。
2. 在 WorkBuddy 里新建对话，把检索结果页地址和关键词一起给它，先让它「探一探」：这个页面上每条文献能取到哪些字段、各给一个示例值，先不要采集。
3. 根据探字段的结果锁定字段表。取不到的字段就从清单里删掉，别硬凑；能取到的字段确认示例值形态（例如年份是不是「2024」而不是「2024年3月」）。
4. 小批试采 5 条。让它按字段表只采前 5 条，先在对话里给出一张表，不要导出。
5. 逐列核对试采结果。重点看三处：作者有没有被截断、关键词有没有带多余空格、DOI 链接点得开吗。有问题立刻追加修正指令。
6. 放开到全量。确认无误后说「按同样口径采集前 3 页全部结果，最多 50 条，每条间隔 1 秒」。
7. 导出并归档。要求导出为 refs_短文本分类_20261008.xlsx，并把完整摘要另存为文本文件。
8. 打开文件最终验收。数行数、看列序、抽查 3 条的年份与 DOI 是否真实可开。

四、提示词模板与追问技巧

文献采集的提示词要把检索条件、字段清单、摘要规则、计量口径四件事一次说透。下面这段可以直接复制，只需把检索词换成你要的——网址就是中国知网的检索结果页。

请帮我完成一个学术文献元数据采集任务。

【目标站点】中国知网 CNKI 文献检索，检索页 https://kns.cnki.net/kns8s/defaultresult/index?kw=数据采集
【检索条件】关键词：短文本分类；时间范围：近五年
【采集范围】检索结果前 3 页，最多 50 条
【需要字段】按这个顺序：
  1. 序号（从 1 开始）
  2. 题名（原文，不要翻译、不要改写）
  3. 作者（全部作者，多位用中文分号分隔）
  4. 作者机构（只取第一作者单位）
  5. 来源（期刊名或会议名，没有就留空）
  6. 发表年份（只要四位数字，例如 2024）
  7. 卷期页码（例如 47(6):1234-1250，没有就留空）
  8. 关键词（多个用分号分隔）
  9. 基金（基金名称与编号，没有就留空）
  10. 摘要（只取前 120 个字符，多余部分用「…」省略）
  11. 被引量（并注明来源与统计日期）
  12. 下载量（并注明来源与统计日期）
  13. DOI/链接（完整地址）
  14. 文献类型（期刊论文 / 会议论文 / 学位论文）

【执行要求】
  1. 先只采前 5 条给我看，字段顺序按上面来，我确认后再采全量
  2. 只采公开的元数据，不要下载任何全文 PDF
  3. 每条之间间隔 1 秒以上
  4. 结果先在对话里给表格预览，确认后导出 refs_短文本分类_20261008.xlsx
  5. 另外把每条的完整摘要单独存成 refs_摘要_20261008.txt，按序号排列

4.1 三条常用追问指令

追问一（补作者与机构）：
第 3 条的作者只显示了第一位，请把全部作者补全；
如果页面上本来就只公开了第一位，请照实说明，不要猜。

追问二（摘要展开）：
表格里的摘要被截断到 120 字，请另外给我一份完整摘要，
每条前面标上序号，和表格里的序号一一对应。

追问三（计量口径）：
请说明第 11、12 列「被引量」「下载量」具体来自哪个平台的统计、
统计日期是哪一天，并把这个说明写进表头的备注里。

如果你想把它做成标准的文献管理格式，也可以追一句，让 WorkBuddy 按 BibTeX 的字段名整理出条目文本。本案例不要求真的导出 .bib 文件，但知道「元数据可以一键转成 BibTeX」这件事，对你以后用文献管理软件很有帮助。

请把这张表里的每一条，按 BibTeX 常见字段（title、author、year、
journal、doi）整理成条目文本，先给我看前三条，不要生成文件。

五、结果核对、清洗与保存

下面是 WorkBuddy 从中国知网检索结果页返回的结果样例（节选，数据为示例）：

5.1 四步清洗，一句话一条

① 去空格与换行：
   请把每列单元格内容去掉首尾空格，并去掉摘要里的多余换行。

② 统一年份：
   请把「发表年份」列全部改成四位数字，去掉「年」字与月份，
   例如「2024年3月」改成「2024」。

③ 统一作者与关键词分隔符：
   请把「作者」「关键词」列里的分隔符统一成中文分号「；」，
   空格和逗号都换成分号，不要出现两种分隔符。

④ 补计量统计日期：
   请新增一列「计量统计日期」，统一填今天的日期，
   并在表头备注里写明被引量、下载量来自中国知网。

5.2 按年份或来源做一个小统计

一张文献清单如果只用来读，价值有限；随手做个小统计，就能看出一个领域的热度变化。让 WorkBuddy 按下面的方式各出一张小表。

• 按年份计数：统计每年有多少篇，画一条折线，看这个方向是不是越来越热。
• 按来源计数：统计每个期刊贡献了几篇，找出这个领域的高产阵地。
• 按被引量排序：把清单按被引量降序排，前几篇通常就是这个方向的核心文献。

请基于清洗后的清单，给我三张小表：
  1. 按「发表年份」分组，统计每年的文献数量；
  2. 按「来源」分组，统计每个来源的文献数量，降序排列；
  3. 把清单按「被引量」降序排列，取前 5 条展示题名与作者。

5.3 保存与归档

refs_短文本分类_20261008.xlsx     ← 清单主表（元数据 + 截断摘要）
refs_摘要_20261008.txt             ← 完整摘要，按序号对应
refs_统计_20261008.xlsx            ← 年份 / 来源 / 被引三张小表
refs_20261008_log.txt              ← 采集日志：检索词、页数、条数、失败项

六、常见问题与合规红线

6.1 五个高频问题

6.2 三条合规红线

1. 只取公开元数据。题名、作者、来源、年份、关键词、摘要属于公开的目录信息；受版权保护的全文 PDF 不批量下载、不转发。
2. 控制频率、注明来源。知网对高频访问敏感，请求之间要留间隔；引用的被引量、下载量要注明来自中国知网、统计到哪一天。
3. 用于学习与研究。采集结果用于课堂作业、文献综述；公开分享时只给统计结论，不打包扩散原始摘要文件。

七、随堂自测（10 题）

点击选项即可判分，答错的题会立刻显示解析。