核心用法
Korean Gov Programs 是一款专注于韩国政府扶持政策数据采集的自动化工具。用户通过简单的命令行操作即可启动采集流程：
python3 scripts/collect.py --output ./data
该工具默认将采集结果以 JSONL 格式输出至 ./data 目录，支持自定义输出路径。采集完成后，可使用 stats.sh 脚本快速查看数据汇总统计。技能采用增量采集模式，通过 .checkpoint.json 保存进度，中断后可无缝续采，避免重复劳动。
采集范围覆盖三大核心领域：소상공인（小工商业者） 扶持政策、기술창업/R&D（技术创业/研发） 项目、정보화사업（信息化事业） 资助。当前稳定支持 기업마당(BizInfo) 和 NIA 한국지능정보사회진흥원 两大官方数据源。
---
显著优点
1. 零依赖安全架构
完全基于 Python 标准库构建（urllib.request、json、re、time 等），无任何 pip 依赖项，从根本上杜绝供应链攻击风险。这一设计在同类数据爬取工具中极为罕见，确保了极高的部署安全性和环境兼容性。
2. 官方信源直连
所有网络请求均指向韩国政府官方域名（*.go.kr），包括中小企业信息门户 기업마당 和 国家信息化振兴院 NIA，数据来源权威可靠，无第三方中转或数据外泄风险。
3. 安全稳健的数据管理
- 追加模式写入：严格使用文件追加（"a" 模式），绝不覆盖既有数据
- 智能去重机制：以项目标题为键自动跳过重复条目
- 请求速率控制：固定 0.8 秒间隔延迟，避免对目标服务器造成负载压力
- 断点续采：基于 checkpoint 的增量采集，大幅提升长周期采集任务的可靠性
4. 结构化输出与开放格式
输出采用 JSON Lines（JSONL）格式，每行一条完整记录，便于流式处理、版本控制（Git友好）以及与其他数据处理管道的无缝集成。字段设计涵盖项目名称、类别、来源机构、官方链接、资助金额、截止日期、详细描述及采集时间戳等完整元信息。
---
潜在缺点与局限性
1. 数据源覆盖受限
由于采用轻量级 HTTP 请求而非浏览器自动化方案，当前版本无法采集依赖 JavaScript 渲染的动态页面，包括 소상공인시장진흥공단(SEMAS)、중소벤처기업부(MSS)、K-Startup、연구개발특구진흥재단(Innopolis)、창업진흥원(KISED) 等重要平台。这些被明确标记为 "⚠️ 스킵"，如需完整数据覆盖，需额外配置 Selenium 或 Playwright 环境。
2. HTML 解析的脆弱性
技能使用正则表达式而非专用 HTML 解析器提取页面内容。这种实现方式虽符合"零依赖"设计哲学，但在目标网站进行前端改版或结构调整时，解析逻辑可能失效，导致采集异常或数据缺失。 BeautifulSoup 等库的缺失使维护成本有所上升。
3. 单区域限定
功能高度聚焦于韩国本土政策生态，采集目标、字段语义、分类体系均针对韩国行政体系设计，不具备多国家/地区的通用扩展性。非韩语用户或需要跨国政策比对的使用场景适用性有限。
4. 交互能力有限
纯命令行工具形态，无图形界面、无 API 服务、无实时通知机制，依赖用户手动触发或配合 cron 等系统调度工具实现定时任务。
---
适合的目标群体
- 在韩国创业的早期团队：需要持续跟踪 TIPS、소상공인、R&D 等各类政府补贴申请窗口
- 创业孵化器与加速器运营者：批量监控政策动态，为入驻企业提供及时资讯服务
- 企业咨询与政策研究机构：构建韩国产业政策数据库，支撑研究与咨询服务
- 财务与行政管理人员：负责企业政府项目申报，需系统化管理资助机会信息
- 数据工程师与分析师：需要韩国官方政策原始数据作为分析输入源的从业者
---
使用风险说明
性能与稳定性风险
- 目标网站可用性依赖：技能运行完全依赖韩国政府网站的在线状态与响应速度，遇官方维护或网络波动时可能采集失败
- 正则解析的时效性：目标页面 HTML 结构变更将导致解析规则失效，建议定期验证数据完整性
- 长周期任务的断点管理：虽支持 checkpoint，但异常终止仍可能导致单次请求的数据片段丢失
合规与法律边界
- robots.txt 遵守：用户应自行确认目标网站的爬虫政策，技能未内置 robots.txt 解析与遵守机制
- 数据使用范围：采集数据仅限内部研究与业务决策使用，再发布或商业化转售需遵守韩国公共数据利用相关法规
技术债务提示
- 正则表达式解析 HTML 属于行业公认的反模式（anti-pattern），虽在当前场景下可接受，但长期来看建议演进至基于 html.parser 标准库模块或接受轻量级依赖以提升代码健壮性