Skip to content

GitLab

P12315 · Changes

Page history
'add' authored by 章一锋's avatar 章一锋
Hide whitespace changes
Inline Side-by-side
Showing with 266 additions and 0 deletions
data_stream/P12315.md 0 → 100644
View page @ 663851d5
# **基本信息**
## 数据名称（中文）
<!-- 该项数据的中文标准名称，后续沟通交流使用的规范名称，如：工商公示股东信息、失信被执行人、一般纳税人等-->
```buildoutcfg
12315 的行业分类
```
## 数据英文名称
<!--英文名称，后续流程中所有涉及到英文名称均以此为准，如：partner、shixin、general_taxpayer等-->
```buildoutcfg
12315
```
## 采集网站（采集入口）
<!--采集的入口地址，不能只是一个网站域名，具体到该网站的数据入口-->
```buildoutcfg
https://www.12315.cn/cuser/portal/tscase/corperation
```
## 采集频率及采集策略
<!--说明该项数据更新频率，存量数据的更新频率及策略、新增数据的采集频率及策略-->
### 存量更新策略
<!--无需更新？每天全量更新？逐条轮询更新？多久更新完一轮？或其他-->
```buildoutcfg
轮更，尚未知一轮要多久
```
### 增量采集策略
<!--新增数据怎么来？无需单独采集新增数据？-->
```buildoutcfg
每次从头到尾运行一遍，去重得到增量数据
```
---
# **爬虫**
## 责任人
```buildoutcfg
章一锋
```
## 爬虫名称
<!--spider_name-->
```buildoutcfg
P12315
```
## 代码地址
<!--爬虫的具体代码地址，不是代码所在的项目，要具体到模块或脚本文件-->
```buildoutcfg
http://tech.pingansec.com/granite/project-gravel/-/blob/develop_12315/scrapy_spiders/gravel_spiders/spiders/12315.py
```
## 队列名称及队列地址
<!--redis host port db key 优先级说明-->
```buildoutcfg
* redis host: redis://:utn@0818@bdp-mq-001.redis.rds.aliyuncs.com:6379/7
* redis port: 6379
* redis db: 7
* redis key: P12315
```
### 优先级队列说明
## 任务来源
<!--说明爬虫任务的输入。如：来自某个数据库表等。如果来自某个数据库表则应该简要说明该表内的数据是如何维护的。-->
```buildoutcfg
任务数据：非在营、在营企业
导入任务配置文件路径：http://tech.pingansec.com/granite/project-gravel/-/blob/develop_12315/app_12315/data_dump/P12315.yml
```
## 任务输入参数（样例）
### 任务样例
<!--注意是爬虫拿到的完整任务，而不仅仅是task_params-->
```json
{
"credit_no": "91110108MA01F9QE45",
"company_name": "北京智源视界科技有限公司"
}
```
### 任务参数说明
<!--特有参数说明，通用参数比如spider_name,task_params,task_src,task_result等不需说明-->
## data_type说明
<!--可能产生的data_type说明-->
```buildoutcfg
detail: 表示详情数据
```
## 爬虫结果的超级数据
<!--包含所有字段的json数据，每个value都要有样例值-->
```json
{
"task_result": 1000,
"error_msg": "",
"spider_end_time": "2021-11-04 20:05:52",
"spider_ip": "10.8.6.30",
"@version": "1",
"@timestamp": "2021-11-04T12:06:05.467Z",
"type": "P12315",
"spider_name": "P12315",
"data_type": "detail",
"http_code": 200,
"task_params": {
"company_name": "张天雨",
"credit_no": "92321002MA1PBECC42"
},
"data": {
"code": 1,
"msg": "",
"data": {
"ODRBRAND": null,
"ANADDR": null,
"REGNO": "321002600777708",
"UNITNAME": null,
"stQyname": "",
"JYFW": "普通货物道路运输。（依法须经批准的项目，经相关部门批准后方可开展经营活动）",
"REGUNITNAME": "扬州市广陵区市场监督管理局",
"QYBM": null,
"XZQHBM": null,
"UBINDTYPENAME": "道路运输业",
"HIGHLIGHTTITLE": "****",
"S_EXT_NODENUM": "320000",
"INDUCOMMBUREID": null,
"ADDR": "广陵区湾头镇万福玉器创意园413号",
"UNITCODE": null,
"NBXH": "92321002MA1PBECC42",
"REGSTATE_CN": "存续（在营、开业、在册）",
"UBINDTYPE": "54",
"SQ": null,
"REGUNIT": "321002",
"PRIPID": "f8c48efc055ed3028cfef6d790f4d7fd",
"INDUCOMMBURENAME": null,
"ODRID": null,
"INVOPT": "****",
"ENTTYPE": "9500",
"TEL": "",
"ODR": null,
"QYWZ": null,
"ENTTYPENAME": "个体工商户",
"REGSTATECODE": "1"
},
"redirectUrl": ""
},
"spider_start_time": "2021-11-04 20:05:46.424",
"metadata": {},
"path": "/data/gravel_spiders/P12315/bdp-c-118_10.8.6.30/30217.json",
"host": "bdp-ls-002"
}
```
## 实际爬虫结果的数据结构
<!--可能与超级数据一致，可能不同的data_type的爬虫结果结构不同，超级数据是把所有data_type的结果组合在一起-->
## 爬虫运行环境
<!--udm模块？scrapy？或其他-->
```buildoutcfg
scrapy
```
## 爬虫部署信息
<!--部署在哪些机器？每个机器多少进程？项目名称是什么？-->
```buildoutcfg
爬虫运行机器：10.8.6.30
进程数：25
项目名称：P12315
任务提交机器：10.8.6.63
任务提交方式：crontab
```
## Taskhub地址
```buildoutcfg
http://tech.pingansec.com/granite/project-taskhub/-/blob/master/taskhub/config/gravel/config.d/P12315.yml
```
## Taskhub调度规则说明
```buildoutcfg
task_result为以下值时被过滤：
- 1000
- 1101
- 1102
- 2001
- 7000
- 9300
其他值的任务都会被放入队列
```
## 爬虫监控指标设计
<!--监控爬虫正常运行的指标是什么？报警规则是什么？-->
## 爬虫待采集结果目录
---
```buildoutcfg
/data/gravel_spiders/P12315
```
# **数据归集**
## 责任人
## 数据归集方式
- [ ] 爬虫直接写kafka
- [ x ] 爬虫写文件logstash采集
## 归集后存放目录
## logstash配置文件名称
## logstash文件采集type
## 数据归集的topic
```buildoutcfg
general-taxpayer
```
## ES日志索引及筛选条件
```buildoutcfg
gravel-spider-data* spider_name is P12315
```
## 监控指标看板
## 数据保留策略
---
# **数据清洗**
## 责任人
## 代码地址
## 部署地址
<!--机器及线上代码地址-->
## 部署方法及说明
<!--运行方法及运行命令、supervisor配置、supervisor的program等-->
- [ ] crontab + data_pump
- [ ] supervisor + data_pump
- [ ] supervisor + consumer
## 数据接收来源
<!--来源于kafka还是归集的文件、topic的group？-->
## 数据存储表地址
* 数据库地址：
* 表名：
\ No newline at end of file