国家统计年鉴分地区表格采集与校验流程
适用场景
需要《中国统计年鉴》（或同类在线年鉴）中"分地区"表格的结构化数据（31省×多年），并要求可溯源、可校验。
关键事实（已验证，2026-10）
- 年鉴在线库：
https://www.stats.gov.cn/sj/ndsj/{年份}/indexch.htm（如 2023/2024/2025 均可访问）。目录在left.htm（GB2312编码，用 Pythongb18030解码解析，Git Bash 的 iconv/grep 对多字节不可靠）。 - 表格是 JPG 图片：
https://www.stats.gov.cn/sj/ndsj/{年份}/html/C{章号}-{表号}.jpg（如 C06-22.jpg）。下载后用 Read 工具视觉转录，图片清晰度足够，但必须校验。 - 新版年鉴次年秋季出版（2025版=2025-09出版，载2024数据）；采集前先 HEAD 探测最新版是否上线（404=未出版），避免把"近三年"搞错。
- data.stats.gov.cn 接口对 curl 返回 403（需浏览器会话），不要死磕 API。
执行步骤
- 探测最新年鉴版本：
curl -s -o /dev/null -w "%{http_code}" https://www.stats.gov.cn/sj/ndsj/{YYYY}/indexch.htm - 下载 left.htm，用 Python 正则
href='(html/C\d+-\d+\.jpg)'>([^<]+)提取目标表号（同一指标在不同年份版中表号通常稳定，但逐年确认）。 - 并行 curl 下载 JPG → Read 逐张转录目标列。
- 三重校验（缺一不可）：
- 数值校验：中商情报网 askci 镜像了国家统计局分省年度库全精度值，URL 模式https://s.askci.com/data/area/fsnd/{6位区划码}/{指标码}（如 A0A0301=居民人均粮食消费量；相邻代码为同组其他指标，需先试采确认含义）。页面可直接 curl（带 UA 头）。年鉴值=askci值四舍五入到0.1，逐点比对。注意：askci 页面数值藏在 HTML 内嵌的 JS 数组里（正则\[[\d.,\s\"]{40,}\]提取），无年份标签，按时间倒序排列（数组首值=最新年份），且约第 10 个值之后会拼接另一指标的数组，比对时只取前几位对应目标年份即可。
- 内部一致性：利用指标间逻辑约束（如 城镇<全体<农村、分项之和≈合计）。
- 外部校验：WebSearch 全国值/典型省值的官方解读与媒体报道（注意甄别网文转录错误——以 askci 全精度值+年鉴原图复核为准）。 - 对识别有疑义的单元格，裁切原图局部重新 Read 复核，不要猜。
交付
- 结构化 Excel 走 tencent-docs-sheet-generation 链路；长表（地区×年份×分组+来源列）+ 对比宽表 + 来源与校验记录 sheet。
- 每条数据带来源：年鉴名、出版年份、章节表号、在线地址。
- 港澳台等无同口径指标的地区：明确记"数据暂缺"+原因，不估算；可附口径不同的替代来源（如台湾《粮食供需年报》为平衡表口径），并醒目标注不可直接比较。
