爬虫应采用多级选择器、语义稳定节点、运行时校验降级、DOM模式识别四层容错策略。先锚定不变节点，再相对定位目标；优先用<main><article>等语义标签；实时检测字段异常并按权重切换备用规则；通过正则嗅探模板特征，匹配失败时回落通用抽取。
页面结构变化是爬虫维护中最常见的痛点，硬编码选择器一旦失效就得手动改规则。真正实用的动态适配不是靠“猜”，而是用可验证、可退化、有兜底的策略组合。
用多级选择器构建容错路径
别只依赖一个 class 或 id。把定位逻辑拆成“锚点层 + 相对层 + 目标层”，例如先找固定不变的导航栏或页脚作为锚点，再用 relative XPath（如 following-sibling::div[1] 或 ancestor::article）向目标逼近。这样即使中间容器 class 改了，只要层级关系没断，就能继续取到数据。
- 优先选语义稳定节点：如
<main>、<article>、含固定文本的<h1>（如“商品详情”） - 避免纯数字 class（
class="col-3"）或随机 hash（class="_a_b_c123"）作为主键 - 用
lxml的getpath()快速验证 XPath 是否真的“绕开”了易变节点
运行时校验 + 自动降级
每次解析后立刻检查关键字段是否为空或格式异常（比如价格不是数字、发布时间无法转 datetime）。一旦触发异常，就启动备用规则集——比如从 CSS 选择器切到 XPath，或从第 1 个匹配项切换到第 2 个（有些站点会插广告占位）。
将 Markdown 文章转换为微信公众号兼容的纯 HTML 格式。当用户要求"转成微信格式"、"生成公众号文章 HTML"、"排版到微信草稿箱"、"微信粘贴格式"时触发。输出带内联样式的纯 HTML，微信编辑器可直接渲染，无需额外适配。支持标题、段落、列表、粗体、行内代码、表格、引用块、代码块、配图的完整转换。
- 定义明确的“失败信号”：空列表、正则不匹配、类型转换报错
- 为每条规则加权重和描述，失败时记录日志：
rule=price_xpath_v2, fallback_to=price_css_v1 - 首次运行可预存多个历史版本的选择器，在降级时按成功率排序尝试
轻量 DOM 模式识别辅助判断
不依赖外部模型，用简单规则识别常见模板变化。例如检测是否存在 <div class="product-card">，就启用“卡片列表”解析逻辑；若发现 <table class="specs">，则自动加载表格专用提取函数。这类模式可用正则快速扫描 HTML 片段，响应快、无额外依赖。
立即学习“Python免费学习笔记（深入）”；
- 用
re.search(r'<div[^>]*?class=[\'"]?product-card', html[:5000])做首屏特征嗅探 - 把常见模式（电商列表、新闻详情、评论区）封装成独立 parser 类，按需调用
- 模式匹配失败时，回落到通用文本抽取（如基于标题/换行/缩进的启发式分段）
基本上就这些。核心不是让爬虫“聪明”，而是让它“守规矩”：有明确的失败定义、有顺序的备用方案、有痕迹可追溯的决策过程。规则越早暴露问题，修复成本就越低。
