尧图网站开发 
5步搞定只狼收集，一文搞懂从0到1实战
看了一堆教程还是不会写项目？别急，这通常是代码逻辑和数据结构没打通。今天咱们不谈虚的，直接上手，用 Python 从零搭建一个【只狼收集】系统。
很多人觉得游戏数据抓取很难，其实核心就是“状态记录”和“增量同步”。我会带你走完从目录规划到代码实现的每一步，确保你能独立复刻。这不是为了玩，而是为了练手，把 CRUD 和文件操作这些基础打扎实。
项目目标与场景定义
咱们先明确要做什么。【只狼收集】这个场景，通常是指记录玩家在《只狼：影逝二度》中收集到的关键物品、技能或Boss战记录。对于程序员来说，这是一个极佳的“轻量级个人数据管理”练习场景。
为什么选这个？因为它数据量适中，结构清晰，且带有强烈的“状态变更”属性（比如：未获得 - 已获得）。
我们的核心目标不是做一个复杂的 Web 系统，而是一个本地化的命令行工具（CLI）。它需要支持以下功能：数据持久化：将收集记录存储在 JSON 文件中，方便查看和迁移。
增删改查：Add：记录新获得的物品或技能。
List：查看当前已收集的清单，支持按类别过滤。
Update：修改记录状态（例如，误操作后修正）。
Stats：统计收集进度，计算完成百分比。数据校验：防止重复录入，确保数据合法性。痛点直击：
很多新手写项目，喜欢一上来就引入 Django 或 FastAPI，结果花 80% 的时间在配置环境和数据库连接上，真正的业务逻辑只写了 20% 行。我们反其道而行之，用最朴素的 json 模块和 os 模块，把逻辑跑通。当你理解了数据如何在内存和磁盘之间流动，再去学框架，你会发现那些“魔法”不过是封装。
技术选型：语言：Python 3.8+
依赖：仅使用标准库（json, os, datetime, argparse）。零第三方依赖，保证在任何环境下都能跑起来。
数据结构：字典嵌套列表（Dict of Lists）。目录结构规划
工程化的第一步，不是写代码，而是定结构。一个清晰的目录结构，能让后续维护效率提升 30% 以上。
我们采用如下扁平化结构，适合小型工具项目：
sekiro_collector/
├── main.py # 程序入口，处理命令行参数
├── core.py # 核心业务逻辑，读写数据，校验规则
├── data/
│ └── collector.json # 数据存储文件，程序自动创建
└── README.md # 项目说明设计思路：分离关注点：main.py 只负责和用户交互（接收指令、展示结果），core.py 负责所有脏活累活（读文件、写文件、逻辑判断）。
数据隔离：数据文件放在 data/ 目录下，避免和代码文件混在一起。在 .gitignore 中忽略此目录，防止个人数据误提交到仓库。
单一入口：所有操作都通过 main.py 触发，方便调试和扩展。这种结构看似简单，但包含了模块化和数据隔离两个重要工程概念。在大型项目中，你可能会有 utils/, models/, services/ 等更多目录，但核心思想不变：代码管逻辑，文件管数据。
核心代码实现
接下来进入硬核部分。我们将代码拆分为 core.py（逻辑层）和 main.py（交互层）。
1. 核心逻辑层 (core.py)
这个文件处理所有与数据相关的操作。我们定义一个类 Collector 来封装这些方法。
import json
import os
from datetime import datetimeclass SekiroCollector:def __init__(self, file_path='data/collector.json'):self.file_path = file_path# 确保数据目录存在if not os.path.exists('data'):os.makedirs('data')def _load_data(self):从 JSON 文件加载数据，若文件不存在则返回默认结构if os.path.exists(self.file_path):with open(self.file_path, 'r', encoding='utf-8') as f:return json.load(f)else:# 默认数据结构：包含物品和技能两个大类return {items: [],skills: [],last_updated: None}def _save_data(self, data):将数据保存回 JSON 文件data['last_updated'] = datetime.now().isoformat()with open(self.file_path, 'w', encoding='utf-8') as f:json.dump(data, f, ensure_ascii=False, indent=4)def add_item(self, name, category='item', note=''):添加收集记录:param name: 物品/技能名称:param category: 类别，'item' 或 'skill':param note: 备注data = self._load_data()# 定义目标列表的键key = 'items' if category == 'item' else 'skills'# 检查是否已存在，防止重复for record in data[key]:if record['name'].lower() == name.lower():return False, f错误：'{name}' 已经存在于 {category} 列表中。# 构造新记录new_record = {id: len(data[key]) + 1, # 简单自增ID，非并发安全name: name,category: category,date_collected: datetime.now().strftime(%Y-%m-%d),note: note,status: collected}data[key].append(new_record)self._save_data(data)return True, f成功添加：{name}def list_all(self, category='all'):列出所有记录:param category: 'all', 'item', 'skill'data = self._load_data()results = []if category in ['all', 'item']:results.extend(data['items'])if category in ['all', 'skill']:results.extend(data['skills'])return resultsdef get_stats(self):获取统计信息data = self._load_data()total_items = len(data['items'])total_skills = len(data['skills'])total = total_items + total_skillsreturn {items_count: total_items,skills_count: total_skills,total_count: total,last_updated: data.get('last_updated', 'Never')}def delete_item(self, name):删除记录，按名称匹配data = self._load_data()found = Falsefor key in ['items', 'skills']:original_len = len(data[key])data[key] = [r for r in data[key] if r['name'].lower() != name.lower()]if len(data[key]) original_len:found = Trueif found:self._save_data(data)return True, f成功删除：{name}else:return False, f未找到：{name}逐行解析关键点：_load_data 的容错：如果文件不存在，直接返回默认结构。这避免了程序首次运行时报错。
ensure_ascii=False：在 json.dump 中，这个参数至关重要。如果不加，中文会被转义成 \u4e2d\u6587，导致文件可读性极差。
ID 生成：这里用了 len(list) + 1。注意，这不是生产级的 ID 生成策略（在并发或多线程下会冲突），但对于单用户本地工具，它简单且有效。
大小写不敏感比较：name.lower() == name.lower()。用户输入可能是大写、小写或混合，统一转小写比较能减少很多“未找到”的误报。2. 交互层 (main.py)
这一层负责解析用户指令。我们使用 argparse 模块，它是 Python 官方文档中推荐的命令行参数解析工具，比手动解析 sys.argv 优雅得多。
import argparse
from core import SekiroCollectordef main():parser = argparse.ArgumentParser(description='只狼收集管理系统')subparsers = parser.add_subparsers(dest='command', help='Available commands')# 添加 'add' 子命令parser_add = subparsers.add_parser('add', help='添加新收集')parser_add.add_argument('name', help='物品或技能名称')parser_add.add_argument('--type', choices=['item', 'skill'], default='item', help='类型')parser_add.add_argument('--note', default='', help='备注')# 添加 'list' 子命令parser_list = subparsers.add_parser('list', help='查看列表')parser_list.add_argument('--type', choices=['all', 'item', 'skill'], default='all', help='过滤类型')# 添加 'stats' 子命令subparsers.add_parser('stats', help='查看统计')# 添加 'delete' 子命令parser_del = subparsers.add_parser('delete', help='删除记录')parser_del.add_argument('name', help='要删除的名称')args = parser.parse_args()collector = SekiroCollector()if args.command == 'add':success, msg = collector.add_item(args.name, args.type, args.note)print(msg)elif args.command == 'list':records = collector.list_all(args.type)if not records:print(暂无记录。)else:print(f{'ID':5} {'Name':20} {'Type':10} {'Date':12} {'Note'})print(- * 60)for r in records:print(f{r['id']:5} {r['name']:20} {r['category']:10} {r['date_collected']:12} {r['note']})elif args.command == 'stats':stats = collector.get_stats()print(f物品总数: {stats['items_count']})print(f技能总数: {stats['skills_count']})print(f总计: {stats['total_count']})print(f最后更新: {stats['last_updated']})elif args.command == 'delete':success, msg = collector.delete_item(args.name)print(msg)else:parser.print_help()if __name__ == '__main__':main()代码亮点：add_subparsers：这是实现“子命令”的关键。比如 python main.py add ... 和 python main.py list ... 是不同的入口，但共用同一个主程序。
格式化输出：在 list 命令中，使用了 f-string 的格式说明符 :20，让表格对齐。这在处理列表数据时，能极大提升阅读体验。
默认值：--type 参数设置了 default='item' 或 default='all'，让用户可以省略常用参数，减少输入负担。运行与测试
代码写完了，怎么验证它是对的？初始化：
在项目根目录运行：
python main.py stats此时 data/collector.json 会自动创建。输出应为：
物品总数: 0
技能总数: 0
总计: 0
最后更新: Never添加数据：
python main.py add 龙胤 --type item --note 关键剧情道具
python main.py add 忍杀 --type skill预期输出：
成功添加：龙胤
成功添加：忍杀查看列表：
python main.py list预期输出：
ID Name Type Date Note
------------------------------------------------------------
1 龙胤 item 2023-10-27 关键剧情道具
1 忍杀 skill 2023-10-27 注意：这里 ID 都是 1，因为它们是不同类别下的第一个。这在业务上可能有点混淆，但在数据结构上是正确的。测试重复添加：
python main.py add 龙胤预期输出：
错误：'龙胤' 已经存在于 item 列表中。这就验证了我们的去重逻辑生效了。查看统计：
python main.py stats输出应显示总计为 2。测试技巧：
不要只测 happy path（成功路径）。一定要测边界情况：添加空名称？（argparse 会报错，这是正常的）
删除不存在的物品？
JSON 文件损坏怎么办？（目前代码未处理 JSONDecodeError，这是一个改进点，见下文）优化扩展与避坑指南
现在的基础版能用了，但离“健壮”还有距离。以下是几个常见的坑和优化方向。
1. 异常处理：防止程序崩溃
如果在读取 JSON 时文件损坏（比如手动编辑出错），json.load 会抛出 JSONDecodeError，导致程序直接崩溃。
修改 core.py 中的 _load_data：def _load_data(self):if os.path.exists(self.file_path):try:with open(self.file_path, 'r', encoding='utf-8') as f:return json.load(f)except json.JSONDecodeError:print(警告：数据文件损坏，已重置为空数据。)# 可选：备份损坏文件# import shutil# shutil.copy(self.file_path, self.file_path + '.bak')return {items: [], skills: [], last_updated: None}else:return {items: [], skills: [], last_updated: None}经验之谈：在本地工具中，给用户一个友好的提示比直接抛堆栈信息更友好。
2. 并发安全：文件锁
如果两个终端同时运行 add 命令，可能会发生数据覆盖。对于单用户本地工具，这概率极低。但如果你想让它更专业，可以引入 filelock 库（需 pip install filelock）。
简单方案：在读写文件时，使用 fcntl.flock (Linux/Mac) 或 msvcrt.locking (Windows)。但考虑到跨平台复杂度，对于个人项目，单线程顺序执行是最简单的“锁”。只要你不同时开两个终端操作，就没问题。
3. 数据迁移与扩展
如果未来你想支持更多字段，比如“稀有度”、“获取位置”，只需修改 add_item 的默认结构，并在 list 中增加列即可。JSON 的灵活性在于，旧数据没有新字段，新代码读取时可以通过 record.get('rarity', 'Normal') 来兼容。
避坑提示：不要硬编码路径：代码中使用了相对路径 data/collector.json。如果从其他目录运行 python main.py，可能会找不到文件。更稳妥的做法是使用 os.path.dirname(__file__) 来获取脚本所在目录，再拼接路径。
编码问题：始终显式指定 encoding='utf-8'。Windows 默认可能是 GBK，不指定会导致中文乱码。4. 进阶：引入 SQLite
当数据量超过几百条，JSON 文件的读写效率会下降，且难以进行复杂查询（如“查询2023年1月之前获得的所有技能”）。此时，建议将后端存储从 JSON 迁移到 SQLite。
迁移思路：安装 sqlite3 (标准库)。
创建表结构：CREATE TABLE items (id INTEGER PRIMARY KEY, name TEXT, ...)
将 core.py 中的 _load_data 和 _save_data 替换为 SQL 查询。
优势：支持索引，查询速度快，支持事务（Transaction），数据更安全。建议：先用 JSON 把逻辑跑通，理解数据流。当你觉得 JSON 不够用了，再动手换 SQLite。这个过程会让你对 ORM（对象关系映射）框架有更深理解。
小结
我们从零搭建了一个【只狼收集】系统，涵盖了：项目规划：明确目标，选择轻量级技术栈。
目录结构：模块化分离，数据隔离。
核心实现：JSON 读写、数据校验、命令行解析。
测试与优化：异常处理、并发思考、存储升级路径。这个项目虽小，但麻雀虽小五脏俱全。它让你练习了：文件 I/O 操作
数据结构设计
错误处理
命令行接口设计为什么推荐你做这类小项目？
因为大框架（如 Django）会掩盖底层细节。而这个小项目，让你亲眼看到数据是如何一行行写入磁盘的，错误是如何被捕获的。当你未来处理复杂的分布式系统时，这种对底层的掌控感会成为你的核心竞争力。
最后，留一个问题给你：
在你之前的项目经验中，有没有遇到过因为存储格式选择不当（比如用 CSV 存复杂嵌套数据，或用 JSON 存大量日志）导致的性能瓶颈或数据丢失？你公司项目里是怎么处理的？欢迎评论分享你的避坑经验。 
5步搞定只狼收集，一文搞懂从0到1实战
看了一堆教程还是不会写项目？别急，这通常是代码逻辑和数据结构没打通。今天咱们不谈虚的，直接上手，用 Python 从零搭建一个【只狼收集】系统。
很多人觉得游戏数据抓取很难，其实核心就是“状态记录”和“增量同步”。我会带你走完从目录规划到代码实现的每一步，确保你能独立复刻。这不是为了玩，而是为了练手，把 CRUD 和文件操作这些基础打扎实。
项目目标与场景定义
咱们先明确要做什么。【只狼收集】这个场景，通常是指记录玩家在《只狼：影逝二度》中收集到的关键物品、技能或Boss战记录。对于程序员来说，这是一个极佳的“轻量级个人数据管理”练习场景。
为什么选这个？因为它数据量适中，结构清晰，且带有强烈的“状态变更”属性（比如：未获得 - 已获得）。
我们的核心目标不是做一个复杂的 Web 系统，而是一个本地化的命令行工具（CLI）。它需要支持以下功能：数据持久化：将收集记录存储在 JSON 文件中，方便查看和迁移。
增删改查：Add：记录新获得的物品或技能。
List：查看当前已收集的清单，支持按类别过滤。
Update：修改记录状态（例如，误操作后修正）。
Stats：统计收集进度，计算完成百分比。数据校验：防止重复录入，确保数据合法性。痛点直击：
很多新手写项目，喜欢一上来就引入 Django 或 FastAPI，结果花 80% 的时间在配置环境和数据库连接上，真正的业务逻辑只写了 20% 行。我们反其道而行之，用最朴素的 json 模块和 os 模块，把逻辑跑通。当你理解了数据如何在内存和磁盘之间流动，再去学框架，你会发现那些“魔法”不过是封装。
技术选型：语言：Python 3.8+
依赖：仅使用标准库（json, os, datetime, argparse）。零第三方依赖，保证在任何环境下都能跑起来。
数据结构：字典嵌套列表（Dict of Lists）。目录结构规划
工程化的第一步，不是写代码，而是定结构。一个清晰的目录结构，能让后续维护效率提升 30% 以上。
我们采用如下扁平化结构，适合小型工具项目：
sekiro_collector/
├── main.py # 程序入口，处理命令行参数
├── core.py # 核心业务逻辑，读写数据，校验规则
├── data/
│ └── collector.json # 数据存储文件，程序自动创建
└── README.md # 项目说明设计思路：分离关注点：main.py 只负责和用户交互（接收指令、展示结果），core.py 负责所有脏活累活（读文件、写文件、逻辑判断）。
数据隔离：数据文件放在 data/ 目录下，避免和代码文件混在一起。在 .gitignore 中忽略此目录，防止个人数据误提交到仓库。
单一入口：所有操作都通过 main.py 触发，方便调试和扩展。这种结构看似简单，但包含了模块化和数据隔离两个重要工程概念。在大型项目中，你可能会有 utils/, models/, services/ 等更多目录，但核心思想不变：代码管逻辑，文件管数据。
核心代码实现
接下来进入硬核部分。我们将代码拆分为 core.py（逻辑层）和 main.py（交互层）。
1. 核心逻辑层 (core.py)
这个文件处理所有与数据相关的操作。我们定义一个类 Collector 来封装这些方法。
import json
import os
from datetime import datetimeclass SekiroCollector:def __init__(self, file_path='data/collector.json'):self.file_path = file_path# 确保数据目录存在if not os.path.exists('data'):os.makedirs('data')def _load_data(self):从 JSON 文件加载数据，若文件不存在则返回默认结构if os.path.exists(self.file_path):with open(self.file_path, 'r', encoding='utf-8') as f:return json.load(f)else:# 默认数据结构：包含物品和技能两个大类return {items: [],skills: [],last_updated: None}def _save_data(self, data):将数据保存回 JSON 文件data['last_updated'] = datetime.now().isoformat()with open(self.file_path, 'w', encoding='utf-8') as f:json.dump(data, f, ensure_ascii=False, indent=4)def add_item(self, name, category='item', note=''):添加收集记录:param name: 物品/技能名称:param category: 类别，'item' 或 'skill':param note: 备注data = self._load_data()# 定义目标列表的键key = 'items' if category == 'item' else 'skills'# 检查是否已存在，防止重复for record in data[key]:if record['name'].lower() == name.lower():return False, f错误：'{name}' 已经存在于 {category} 列表中。# 构造新记录new_record = {id: len(data[key]) + 1, # 简单自增ID，非并发安全name: name,category: category,date_collected: datetime.now().strftime(%Y-%m-%d),note: note,status: collected}data[key].append(new_record)self._save_data(data)return True, f成功添加：{name}def list_all(self, category='all'):列出所有记录:param category: 'all', 'item', 'skill'data = self._load_data()results = []if category in ['all', 'item']:results.extend(data['items'])if category in ['all', 'skill']:results.extend(data['skills'])return resultsdef get_stats(self):获取统计信息data = self._load_data()total_items = len(data['items'])total_skills = len(data['skills'])total = total_items + total_skillsreturn {items_count: total_items,skills_count: total_skills,total_count: total,last_updated: data.get('last_updated', 'Never')}def delete_item(self, name):删除记录，按名称匹配data = self._load_data()found = Falsefor key in ['items', 'skills']:original_len = len(data[key])data[key] = [r for r in data[key] if r['name'].lower() != name.lower()]if len(data[key]) original_len:found = Trueif found:self._save_data(data)return True, f成功删除：{name}else:return False, f未找到：{name}逐行解析关键点：_load_data 的容错：如果文件不存在，直接返回默认结构。这避免了程序首次运行时报错。
ensure_ascii=False：在 json.dump 中，这个参数至关重要。如果不加，中文会被转义成 \u4e2d\u6587，导致文件可读性极差。
ID 生成：这里用了 len(list) + 1。注意，这不是生产级的 ID 生成策略（在并发或多线程下会冲突），但对于单用户本地工具，它简单且有效。
大小写不敏感比较：name.lower() == name.lower()。用户输入可能是大写、小写或混合，统一转小写比较能减少很多“未找到”的误报。2. 交互层 (main.py)
这一层负责解析用户指令。我们使用 argparse 模块，它是 Python 官方文档中推荐的命令行参数解析工具，比手动解析 sys.argv 优雅得多。
import argparse
from core import SekiroCollectordef main():parser = argparse.ArgumentParser(description='只狼收集管理系统')subparsers = parser.add_subparsers(dest='command', help='Available commands')# 添加 'add' 子命令parser_add = subparsers.add_parser('add', help='添加新收集')parser_add.add_argument('name', help='物品或技能名称')parser_add.add_argument('--type', choices=['item', 'skill'], default='item', help='类型')parser_add.add_argument('--note', default='', help='备注')# 添加 'list' 子命令parser_list = subparsers.add_parser('list', help='查看列表')parser_list.add_argument('--type', choices=['all', 'item', 'skill'], default='all', help='过滤类型')# 添加 'stats' 子命令subparsers.add_parser('stats', help='查看统计')# 添加 'delete' 子命令parser_del = subparsers.add_parser('delete', help='删除记录')parser_del.add_argument('name', help='要删除的名称')args = parser.parse_args()collector = SekiroCollector()if args.command == 'add':success, msg = collector.add_item(args.name, args.type, args.note)print(msg)elif args.command == 'list':records = collector.list_all(args.type)if not records:print(暂无记录。)else:print(f{'ID':5} {'Name':20} {'Type':10} {'Date':12} {'Note'})print(- * 60)for r in records:print(f{r['id']:5} {r['name']:20} {r['category']:10} {r['date_collected']:12} {r['note']})elif args.command == 'stats':stats = collector.get_stats()print(f物品总数: {stats['items_count']})print(f技能总数: {stats['skills_count']})print(f总计: {stats['total_count']})print(f最后更新: {stats['last_updated']})elif args.command == 'delete':success, msg = collector.delete_item(args.name)print(msg)else:parser.print_help()if __name__ == '__main__':main()代码亮点：add_subparsers：这是实现“子命令”的关键。比如 python main.py add ... 和 python main.py list ... 是不同的入口，但共用同一个主程序。
格式化输出：在 list 命令中，使用了 f-string 的格式说明符 :20，让表格对齐。这在处理列表数据时，能极大提升阅读体验。
默认值：--type 参数设置了 default='item' 或 default='all'，让用户可以省略常用参数，减少输入负担。运行与测试
代码写完了，怎么验证它是对的？初始化：
在项目根目录运行：
python main.py stats此时 data/collector.json 会自动创建。输出应为：
物品总数: 0
技能总数: 0
总计: 0
最后更新: Never添加数据：
python main.py add 龙胤 --type item --note 关键剧情道具
python main.py add 忍杀 --type skill预期输出：
成功添加：龙胤
成功添加：忍杀查看列表：
python main.py list预期输出：
ID Name Type Date Note
------------------------------------------------------------
1 龙胤 item 2023-10-27 关键剧情道具
1 忍杀 skill 2023-10-27 注意：这里 ID 都是 1，因为它们是不同类别下的第一个。这在业务上可能有点混淆，但在数据结构上是正确的。测试重复添加：
python main.py add 龙胤预期输出：
错误：'龙胤' 已经存在于 item 列表中。这就验证了我们的去重逻辑生效了。查看统计：
python main.py stats输出应显示总计为 2。测试技巧：
不要只测 happy path（成功路径）。一定要测边界情况：添加空名称？（argparse 会报错，这是正常的）
删除不存在的物品？
JSON 文件损坏怎么办？（目前代码未处理 JSONDecodeError，这是一个改进点，见下文）优化扩展与避坑指南
现在的基础版能用了，但离“健壮”还有距离。以下是几个常见的坑和优化方向。
1. 异常处理：防止程序崩溃
如果在读取 JSON 时文件损坏（比如手动编辑出错），json.load 会抛出 JSONDecodeError，导致程序直接崩溃。
修改 core.py 中的 _load_data：def _load_data(self):if os.path.exists(self.file_path):try:with open(self.file_path, 'r', encoding='utf-8') as f:return json.load(f)except json.JSONDecodeError:print(警告：数据文件损坏，已重置为空数据。)# 可选：备份损坏文件# import shutil# shutil.copy(self.file_path, self.file_path + '.bak')return {items: [], skills: [], last_updated: None}else:return {items: [], skills: [], last_updated: None}经验之谈：在本地工具中，给用户一个友好的提示比直接抛堆栈信息更友好。
2. 并发安全：文件锁
如果两个终端同时运行 add 命令，可能会发生数据覆盖。对于单用户本地工具，这概率极低。但如果你想让它更专业，可以引入 filelock 库（需 pip install filelock）。
简单方案：在读写文件时，使用 fcntl.flock (Linux/Mac) 或 msvcrt.locking (Windows)。但考虑到跨平台复杂度，对于个人项目，单线程顺序执行是最简单的“锁”。只要你不同时开两个终端操作，就没问题。
3. 数据迁移与扩展
如果未来你想支持更多字段，比如“稀有度”、“获取位置”，只需修改 add_item 的默认结构，并在 list 中增加列即可。JSON 的灵活性在于，旧数据没有新字段，新代码读取时可以通过 record.get('rarity', 'Normal') 来兼容。
避坑提示：不要硬编码路径：代码中使用了相对路径 data/collector.json。如果从其他目录运行 python main.py，可能会找不到文件。更稳妥的做法是使用 os.path.dirname(__file__) 来获取脚本所在目录，再拼接路径。
编码问题：始终显式指定 encoding='utf-8'。Windows 默认可能是 GBK，不指定会导致中文乱码。4. 进阶：引入 SQLite
当数据量超过几百条，JSON 文件的读写效率会下降，且难以进行复杂查询（如“查询2023年1月之前获得的所有技能”）。此时，建议将后端存储从 JSON 迁移到 SQLite。
迁移思路：安装 sqlite3 (标准库)。
创建表结构：CREATE TABLE items (id INTEGER PRIMARY KEY, name TEXT, ...)
将 core.py 中的 _load_data 和 _save_data 替换为 SQL 查询。
优势：支持索引，查询速度快，支持事务（Transaction），数据更安全。建议：先用 JSON 把逻辑跑通，理解数据流。当你觉得 JSON 不够用了，再动手换 SQLite。这个过程会让你对 ORM（对象关系映射）框架有更深理解。
小结
我们从零搭建了一个【只狼收集】系统，涵盖了：项目规划：明确目标，选择轻量级技术栈。
目录结构：模块化分离，数据隔离。
核心实现：JSON 读写、数据校验、命令行解析。
测试与优化：异常处理、并发思考、存储升级路径。这个项目虽小，但麻雀虽小五脏俱全。它让你练习了：文件 I/O 操作
数据结构设计
错误处理
命令行接口设计为什么推荐你做这类小项目？
因为大框架（如 Django）会掩盖底层细节。而这个小项目，让你亲眼看到数据是如何一行行写入磁盘的，错误是如何被捕获的。当你未来处理复杂的分布式系统时，这种对底层的掌控感会成为你的核心竞争力。
最后，留一个问题给你：
在你之前的项目经验中，有没有遇到过因为存储格式选择不当（比如用 CSV 存复杂嵌套数据，或用 JSON 存大量日志）导致的性能瓶颈或数据丢失？你公司项目里是怎么处理的？欢迎评论分享你的避坑经验。