Files

Zhang Jiahao bf2370f83b Initial skeleton for FacereDataset

Why:
- Facere 需要一个统一的开源硬件设计数据源，用于训练专有模型与
  构建检索型知识库。仓库先立骨架，把合规红线、数据 schema 要求、
  爬虫规约写在 CLAUDE.md 里，避免后续实现时各站点爬虫写法发散。
- plan.md 用阶段化路线图明确"先广度后深度、先合规后规模"的策略，
  让放量前必须经过 Charles 对齐一次，降低存储与法律风险。

Contents:
- README.md: 项目简介、数据源表、仓库结构、合规声明
- CLAUDE.md: 项目级 Claude 指令（工作流 / 爬虫规约 / 合规红线）
- plan.md: Phase 0-6 分阶段计划 + 风险与未决项
- log.md: 首条日志（调研 + 初始化记录）
- .gitignore: 排除 data/{raw,processed,state} 内容，保留目录占位
- 目录骨架: crawlers/ schemas/ scripts/ data/ docs/sources/

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

2026-04-23 18:58:10 +08:00

3.2 KiB

Raw Blame History

CLAUDE.md — FacereDataset

项目级 Claude Code 指令。与 ~/.claude/CLAUDE.md 全局指令合并使用，本文件覆盖冲突项。

项目性质

数据集仓库。产出代码 + 元数据 + （通过 LFS 或外链引用的）原始资产。不要把几百 MB 的 Gerber / STEP 直接塞进 git。

核心工作流

每次重要动作结束后：追加一条到 log.md（时间倒序，顶部最新），格式：

## YYYY-MM-DD HH:MM  <一句话概括>
- 做了什么
- 为什么（如果非显然）
- 下一步建议

计划有调整时：更新 plan.md，不要新建 plan_v2.md。
新增爬虫：放到 crawlers/<site>/，至少包含 __init__.py 入口、README.md（目标站点调研），遵循 schemas/project.schema.json。
数据输出位置：data/raw/<site>/<date>/ 存原始响应（JSON/HTML），data/processed/<site>/ 存清洗后的 jsonl。两者都在 .gitignore 里，不入库。

爬虫规约

速率：默认 QPS ≤ 1/site，并发 ≤ 3。可配置但不得默认贪婪。
缓存：所有 HTTP 响应落盘（data/raw/... + requests-cache 或 httpx + diskcache），重跑不要重新打目标站。
UA：声明为 FacereDataset/<version> (+<repo-url>; contact:<email>)，不要伪造浏览器。例外：目标站主动封标识 UA、且内容属公开静态资源时，允许切 lightpanda/web-access 真浏览器模式，并在 commit message 说明原因。
robots.txt：每个爬虫必须先查 robots.txt；命中 Disallow 的路径直接跳过，不要"绕过"。
登录态：本项目不抓需要登录的内容。
失败重试：指数退避 + jitter；连续 5xx / 429 超过阈值要停爬、提醒人介入，不要傻重试。
断点续跑：state 记到 data/state/<site>.json（游标、已处理 ID 集合）。

数据 schema

统一以 schemas/project.schema.json 为准。每条项目记录至少包含： source, source_url, project_id, title, description, author, license, created_at, updated_at, crawled_at, tags, files[]（每个文件 type / path / size / sha256）。

合规红线

不抓登录墙后的内容。
不绕过付费墙、不破解 DRM。
遇到站点明确声明"禁止抓取/训练"的内容，跳过并记录到 data/state/<site>_excluded.jsonl。
每条记录必须保留 license 字段；无法判定的标 license: "unknown" 并在下游过滤时默认剔除。

约定（项目内部）

语言：代码/注释/commit 英文；文档（README / plan / log）中文。
Python：3.11+，uv 管理依赖，ruff 做 lint/format，pytest 测试。
不要为"以防万一"添加抽象或配置项；多爬虫共享需求再抽共用代码。
commit message 说清楚 why，尤其是涉及数据过滤、许可证判定逻辑的改动。

Claude 行为提醒

启动任何爬虫前，先跑 dry-run（--limit 1 --no-write），确认 schema 和速率正确。
一次只推进 plan.md 的一个阶段，推进后更新 log.md。
涉及数据删除（rm data/）必须先跟 Charles 确认。
新发现的反爬/法律坑录入 docs/pitfalls.md，不要只放在 log。

3.2 KiB Raw Blame History Unescape Escape