authoritative-data-harvester

name	authoritative-data-harvester
description	自动定位并获取权威公开数据（优先API/官方批量下载），输出可复现抓取与清洗方案。Invoke when用户需要权威数据、官方统计、API下载或数据源爬取。

权威数据自动获取（Authoritative Data Harvester）

目标

在数学建模任务中，快速找到“权威、可引用、可复现”的公开数据源，并以尽量不爬网页、优先 API/批量下载的方式获取数据，最终输出：

• 数据获取脚本/方案（含链接、参数、时间范围、字段解释）
• 原始数据与清洗后的数据（CSV/Parquet）
• 数据字典与引用信息（来源、更新时间、许可证/条款、访问日期）

何时调用

• 需要权威/官方数据源（统计局、国际组织、政府开放数据）
• 需要可复现的数据抓取流程（接口参数固定、可重复运行）
• 已有变量清单但缺数据，或需要补充替代指标

总原则（必须遵守）

1. 优先使用官方 API 或 Bulk Download，最后才做 HTML 解析。
2. 遵守 robots.txt 与服务条款，尊重速率限制；不得绕过登录/付费/验证码。
3. 全流程可复现：记录来源 URL、接口参数、访问日期、版本/更新时间、字段含义与单位。
4. 数据质量优先：对齐口径、单位、频率、地理范围；明确缺失与异常处理策略。

标准工作流（每次执行都按此输出）

1) 需求归一化

输出“数据需求表”，至少包含：

• 变量名（中英）、单位、期望频率（日/月/年）、时间范围
• 地区粒度（国家/省/市/网格）与口径说明
• 允许替代指标（主指标不可得时）

2) 选源策略（先权威后便利）

按任务类型优先匹配：

• 宏观/发展：World Bank、IMF、OECD、UNData
• 人口/社会：UN DESA、World Bank、各国统计局/人口普查
• 公共卫生：WHO（必要时补充二次聚合源并标注来源链）
• 气象/气候：NOAA、NASA（按开放政策选择）
• 欧盟统计：Eurostat
• 中国：国家统计局、部委开放数据、地方统计局（优先可下载/接口）

3) 访问方式决策树

• 有官方 API：直接 API
• 无 API 但有批量下载（CSV/Excel/ZIP）：直链下载
• 仅网页表格：优先找页面背后的 XHR/JSON；仍不行再做 HTML 解析

4) 抓取实现规范

交付脚本必须具备：

• 参数化：start/end、region、indicator、output_dir
• 稳健性：重试（指数退避）、超时、速率限制、缓存/断点
• 落盘：raw/ 与 processed/ 分目录；保留原始响应或原始文件
• 日志：只记录必要信息，不输出敏感信息

5) 清洗与校验（最低要求）

• 字段：统一命名（snake_case）、类型转换、单位换算、时间索引对齐
• 缺失：说明缺失原因（不可得/断档/口径变化），给出处理策略
• 异常：基本规则校验（范围、同比/环比跳变阈值）
• 抽检：与来源页面/元数据对照样本行

6) 交付物清单（必须输出）

• 数据文件：raw.*、processed.csv（或 parquet）
• 元数据：sources.json（name/url/access_method/params/license/updated_at/accessed_at）
• 数据字典：字段含义、单位、频率、地区粒度、缺失策略
• 引用格式：可直接用于论文/报告的参考条目

常用权威数据源（可扩展）

• World Bank Data API
• IMF Data
• UNData / UN agencies
• OECD Data
• Eurostat
• WHO
• NOAA / NASA
• 各国统计局与政府开放数据平台

用户输入模板（用于快速启动）

• “我要做【主题】建模，变量有【A,B,C】；时间【YYYY-YYYY】；地区【国家/省/市】；请给权威来源与可复现的数据获取脚本+清洗结果。”
• “我需要【某指标】的官方数据，优先 API，没有就批量下载；请输出 sources.json + processed.csv。”

失败回退策略

当某源不可用/受限：

1. 换同级权威源（例如 UN ↔ World Bank ↔ OECD）
2. 换替代指标并明确口径差异
3. 仅交付最权威的可下载版本，并说明无法自动化获取原因

目录约定（与项目全局对齐）

• 原始下载与接口响应建议保存到：crawled_data/raw/。
• 清洗后的结构化数据建议保存到：crawled_data/processed/。
• 来源与可复现信息建议保存为：crawled_data/sources.json（包含 url、参数、访问日期、许可证/条款）。

前后衔接

• 后续通常先做：data-cleaning-and-visualization（把 crawled_data/ 里的数据统一清洗并出图）。
• 若要一键跑到论文草稿：直接调用 paper-workflow-orchestrator。

约束（必须遵守）

• Memory Interaction (必做):
  • 获取数据后：必须调用 context-memory-keeper，记录“新增数据源名称”与“存放路径”到 Short-term Workbench。
• 本技能只负责“把权威数据拿到手并保证可复现”，不负责直接写论文正文；产物必须落盘到 crawled_data/。
• 若数据要进入论文，必须同时满足两点：
  • crawled_data/sources.json 中记录可引用来源信息。
  • 后续调用 data-cleaning-and-visualization，把数据清洗并生成 paper_output/figures/ 的证据图表。