基本信息

数据名称（中文）

高新技术企业

数据英文名称

innocom

采集网站（采集入口）

http://www.innocom.gov.cn/web-comment/extend/comment/queryNew

采集频率及采集策略

存量更新策略

每次重新刷一边

增量采集策略

新增数据来源于收集

---

爬虫

责任人

章一锋

爬虫名称

innocom

代码地址

http://tech.pingansec.com/granite/project-gravel/-/blob/develop_innocom/scrapy_spiders/gravel_spiders/spiders/inno_com.py

队列名称及队列地址

* redis host: redis://:utn@0818@bdp-mq-001.redis.rds.aliyuncs.com:6379/7
* redis port: 6379
* redis db: 7
* redis key: innocom

优先级队列说明

任务来源

任务数据：http://tech.pingansec.com/granite/project-gravel/-/blob/develop_innocom/app_innocom/data_dump/company_list.txt
导入任务配置文件路径：http://tech.pingansec.com/granite/project-gravel/-/blob/develop_innocom/app_innocom/data_dump/innocom.yml

任务输入参数（样例）

任务样例

{
  "company_name": "拔萃视觉服务旗舰店",             #公司名称
  "platform_shop_id": "91110109MA00G83K9Y",     #统一信用代码
}

任务参数说明

data_type说明

  detail: 详情

爬虫结果的超级数据

  {
    "data": [
      {
        "cognizanceOrgan": "北京市认定机构办公室",
        "effeTimeEnd": "2021年11月30日",
        "entName": "北京立言科技有限公司",
        "effeTimeBegin": "2018年11月30日",
        "corCode": "91110108MA004FNG7Q",
        "state": "有效",
        "certificateNum": "GR201811008154"
      }
    ],
    "http_code": 200,
    "error_msg": "",
    "task_result": 1000,
    "data_type": "detail",
    "spider_start_time": "2021-10-20 14:23:35.792",
    "spider_end_time": "2021-10-20 14:23:38",
    "task_params": {
      "company_name": "北京立言科技有限公司",
      "credit_no": "91110108MA004FNG7Q"
    },
    "metadata": {},
    "spider_name": "innocom",
    "spider_ip": "10.8.6.51"
  }

实际爬虫结果的数据结构

爬虫运行环境

scrapy

爬虫部署信息

爬虫运行机器：10.8.6.51
进程数：30
项目名称：innocom
任务提交机器：10.8.6.63
任务提交方式：crontab

Taskhub地址

http://tech.pingansec.com/granite/project-taskhub/-/blob/master/taskhub/config/gravel/config.d/innocom.yaml

Taskhub调度规则说明

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

爬虫待采集结果目录

---

/data/gravel_spiders/innocom

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

  general-taxpayer

  ES日志索引及筛选条件

  gravel-spider-data*  spider_name is innocom

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

部署方法及说明

• crontab + data_pump

• supervisor + data_pump

• supervisor + consumer

  数据接收来源

  数据存储表地址

  • 数据库地址：
  • 表名：