案例 29｜政务公开与政策文件采集

一、案例背景与采集目标

政府部门网站上有大量面向公众公开的信息：政策文件、通知公告、规划意见、办事指南。做区域经济分析、跟踪某个行业的监管动向、写一份政策梳理，第一步都是把一段时间内的政策文件整理成台账。

这一篇的示范站点是中国政府网的政策文件库，网址 https://www.gov.cn/zhengce/ 。它是国务院及其部门政策文件的官方公开平台，栏目是静态页面结构，无反爬，最适合课堂复现。政策信息本来就是公开的——发布的目的就是要让社会知道、让企业和公众执行，所以采集它在性质上比采电商评论「干净」得多。但也正因为是政府信息，准确与规范的要求更高：发文机关、发文字号、成文日期一个都不能错。

1.1 这个案例要拿到什么

• 从中国政府网政策文件库的栏目列表页取回条目；
• 取回标题、发文机关、发文字号、成文日期；
• 取回正文链接，以及页面上的附件链接（PDF / DOC）；
• 按成文日期或发文机关归档成一份文件台账；
• 对附件做统一的命名规范，方便日后检索。

1.2 这个案例的难点在哪里

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

示范站点是中国政府网政策文件库，https://www.gov.cn/zhengce/ 。它是官方政策公开平台，列表页与详情页结构规整，附件多为 PDF。延伸站点给出几个省市级政务公开入口，结构类似、可以照搬同一套字段。

2.1 目标站点信息

2.2 完整字段表（12 个字段）

2.3 两条字段口径要点

1. 发文字号要「照抄」，不要整理。字号里的机构简称、六角括号〔〕、顺序号都是正式格式的一部分。采集时原样保留，统一格式这一步放到清洗环节再做，不要一边采一边改，否则出了问题分不清是采错还是改错。
2. 附件只认「正式附件」。同一页面上可能有「相关链接」「政策解读」「一图读懂」等一堆跳转，真正的附件通常是 PDF 或 DOC 下载文件。要明确告诉 WorkBuddy：只取扩展名是 pdf、doc、docx 的链接，其余不算附件。

三、零代码操作步骤

1. 先在中国政府网政策文件库（https://www.gov.cn/zhengce/）上选好栏目与时间窗口，例如「国务院文件 · 2026 年」，把栏目列表页地址复制下来。
2. 新建对话，说清时间窗口与栏目。例如「我要采 2026 年 1 月至 9 月的政策文件，来自上述栏目列表页」，并给出页面地址。
3. 先让它列出可见字段。要求它报告列表页上每条有哪些字段、日期怎么写、有没有附件信息，先不要采。
4. 小批试采 5 条。在对话里给出一张表，逐列核对：机构名对不对、字号有没有漏括号、链接能不能点开。
5. 处理分页。若列表分页，要求「继续采集后续页面直到成文日期早于 2026-01-01 为止」，并说明停止了没有。
6. 补采附件。要求「进入每条详情页，把正式附件（pdf/doc/docx）的地址取回来，多个用分号分隔」。
7. 导出成台账。导出为 policy_2026_20261008.xlsx，并把附件另行下载到 attachments/ 目录，按规范重命名。
8. 最终验收。按成文日期升序排一遍，看有没有跨年混入的文件；抽查两条的字号与原文是否一致。

四、提示词模板与追问技巧

下面的提示词把真实站点地址与 12 个字段按编号列全，可以直接复制使用。

请帮我完成一个政务政策文件台账的采集任务。

【目标站点】中国政府网 · 政策文件库，网址 https://www.gov.cn/zhengce/
【时间范围】成文日期在 2026-01-01 至 2026-09-30 之间
【需要字段】按这个顺序：
  1. 序号（从 1 开始）
  2. 标题（完整原文）
  3. 发文机关（页面标注的正式单位名）
  4. 发文字号（原样照抄，含〔〕；没有就留空）
  5. 成文日期（统一成 2026-01-15 这样的格式）
  6. 发布日期（网站挂出的日期）
  7. 主题分类（没有就留空）
  8. 索引号（详情页给出的政府信息公开索引号）
  9. 正文链接（完整可点开的网址）
  10. 附件名称（pdf/doc/docx 的文件名，多个用分号分隔）
  11. 附件链接（附件下载地址，多个用分号分隔）
  12. 效力状态（现行有效 / 已废止，没有就留空）

【执行要求】
  1. 先只采前 5 条给我核对，我确认后再采全部
  2. 若列表分页，继续向后采，直到成文日期早于 2026-01-01 就停止，并告诉我停在哪一页
  3. 不要下载全文大文件，只登记附件链接
  4. 每条之间间隔 1 秒以上
  5. 结果导出为 policy_2026_20261008.xlsx

4.1 三条常用追问指令

追问一（补字号）：
第 4 条的发文字号是空的，请再到详情页确认一次；
如果确实没有标注，请写明「原文未标注」，不要自己编号。

追问二（统一日期）：
请把所有成文日期统一成 YYYY-MM-DD 格式，
「2026 年 1 月 15 日」这类写法要改过来，并检查有没有跨年文件混进来。

追问三（追附件）：
请逐条进入详情页，把正式附件（pdf / doc / docx）的地址补上，
并把每个附件按「日期_机构_原文件名」重命名后存到 attachments 目录。

如果这台电脑上你已经装好了一个能读文件的助手，还可以再追一句，让它顺手把台账里「发文机关」和「主题分类」的分布统计出来，看看这段时间哪个部门发文最多——这一步会成为你后续分析的好线索。

请基于这份台账再给我两张小表：
  1. 按「发文机关」统计文件数量，降序排列；
  2. 按「主题分类」统计文件数量，没有分类的归到「未分类」。

五、结果核对、清洗与保存

下面是 WorkBuddy 从中国政府网政策文件库返回的结果样例（节选。以下为虚构示例数据，仅用于演示台账结构与清洗规则：第 1 条以公开文件（国办函〔2022〕102 号）作格式对照，其余三条的标题与发文字号均为构造，不对应任何真实公文，请勿当作政策文件引用）：

5.1 四步清洗，一句话一条

① 统一日期：
   请把成文日期统一成 YYYY-MM-DD，按日期升序排列。

② 规范字号：
   请把发文字号里的括号统一成六角括号〔〕，
   并检查每条的格式是否都是「机构简称〔年份〕序号 号」。

③ 缺失标注：
   请把空的发文字号统一填「原文未标注」，空的主题分类填「未分类」。

④ 补采集信息：
   请新增两列：「来源网站」和「采集日期」，方便日后追溯。

5.2 按时间归档成台账

政策文件最自然的归档方式是按年份或季度分开。让 WorkBuddy 按成文日期把台账拆成几份，一份代表一个季度，文件名带上年份与季度。

请按成文日期把台账拆分成季度文件：
  2026Q1、2026Q2、2026Q3 各一份 xlsx，
文件名叫 policy_2026Q1_20261008.xlsx 这样，
并在每份文件的开头保留一行「采集来源与日期」的说明。

5.3 保存与归档

policy_2026_20261008.xlsx        ← 全量台账
policy_2026Q1_20261008.xlsx      ← 按季度拆分
policy_2026Q2_20261008.xlsx
policy_2026Q3_20261008.xlsx
attachments/                     ← 附件（按「日期_机构_文件名」重命名）
policy_20261008_log.txt          ← 采集日志：栏目、时间窗、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. 只采公开栏目。内部办公系统、需要账号登录才能看的文件一律不采；只取政府信息公开栏目下对公众开放的页面。
2. 控制频率。政务网站流量承载有限，请求之间留足间隔，不要并发抓取、不要短时间反复重采。
3. 注明来源、不曲解。引用时写清机构名与成文日期；正文以原文链接为准，不截取半句话做结论。

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。