Learning Graph for 网络爬虫技术¶
本节包含《网络爬虫技术》智能教材的知识依赖图谱（Learning Graph）。知识图谱将整本教材的 240 个核心概念 表示为有向无环图（DAG）中的节点，有向边代表概念之间的先修依赖关系（Learning Dependency）。
在图谱的最左侧是先修基石概念（Foundational Concepts），它们没有出边（不依赖其他课内概念），只有指向它们的入边；在图谱的最右侧是高阶与综合实训概念（Terminal / Capstone Concepts），掌握它们需要先修完其路径上的所有前置概念。
Course Description¶
我们使用 课程大纲（Course Description） 作为提取核心概念的种子文档。课程大纲遵循 2001 布鲁姆教育目标分类学（Bloom's Taxonomy）组织六个层级的学习成果。
List of Concepts¶
我们从课程大纲中提炼出 240 个核心概念列表，每个概念均采用不超过 32 个字符的精炼命名。
Concept Dependency List¶
我们构建了严格验证的有向无环图（DAG），并提供两种工程格式：
- CSV 格式（learning-graph.csv）：包含
ConceptID,ConceptLabel,Dependencies,TaxonomyID四列。 - JSON 格式（learning-graph.json）：遵循
vis-network标准格式，包含metadata、groups、nodes（含递归概念影响力分值cis）与edges。
Analysis & Documentation¶
Course Description Quality Assessment¶
评估课程大纲的完整性、布鲁姆分类覆盖度与概念派生潜力（得分：98/100）。
Learning Graph Quality Validation¶
利用图算法对 240 个概念节点和 523 条依赖边进行拓扑验证：
- 有效 DAG 验证：✅ 无环（0 Cycles）
- 连通分量：✅ 单一连通图（1 Connected Component，0 孤立节点）
- 基石概念：7 个入口节点
- 终端节点比例：18.8%（45 个节点，处于 5%~40% 健康区间）
-
最长依赖链深度：22 层
Concept Taxonomy¶
为了在可视化图谱中直观呈现知识模块结构，我们将 240 个概念划分为 12 个分类体系（Taxonomies），涵盖从导论合规、HTTP 协议、请求编程、静态解析、API 逆向、Playwright 动态渲染、反爬对抗、异步并发、多源存储、Scrapy 框架到 AI 智能爬虫与综合工程实训。
Taxonomy Distribution¶
统计并检验 12 个分类体系的概念分布均衡度（最大类别占比 10.0%，最小 5.0%，极差仅 5.0%，无任何类别超过 30% 阈值）。