data_stream/equity_penetration/qcc.md

+# **基本信息**
+```buildoutcfg
+股权穿透QCC爬虫
+equity_penetration_qcc,通过scrapy部署
+项目名称：project-gravel
+分支：develop_equity_penetration
+```
+
+
+## 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
+股权穿透QCC爬虫
+```
+
+## 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-->
+```text
+equity_penetration_qcc
+```
+
+## 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
+官网PC端入口:
+https://www.qcc.com
+
+采集文件存放路径：
+/data/gravel_spiders/equity_penetration_qcc
+```
+
+
+
+## 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-->
+```text
+目前全量更新一轮地域与公司遍历
+```
+
+
+### 增量采集策略
+<!--新增数据怎么来？无需单独采集新增数据？-->
+```text
+```
+
+---
+
+# **爬虫**
+```text
+股权穿透QCC爬虫 equity_penetration_qcc
+```
+
+## 责任人
+```text
+蒋家升
+```
+
+## 爬虫名称
+```text
+equity_penetration_qcc
+```
+
+<!--spider_name-->
+
+## 代码地址
+```text
+项目地址: http://tech.pingansec.com/granite/project-gravel/-/tree/develop_equity_penetration
+```
+
+## 队列名称及队列地址
+<!--redis host port db key 优先级说明-->
+-
+* redis host: redis://:utn@0818@bdp-mq-001.redis.rds.aliyuncs.com:6379/7
+* redis port: 6379
+* redis db: 7
+* redis key: 
+    * equity_penetration:qcc
+
+### 优先级队列说明
+* equity_penetration 支持队列优先级
+
+## 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
+```
+
+## 任务输入参数（样例）  
+```json
+# 地域列表任务
+{"area_code": "AH_340100", "page": "1"}
+
+# 搜索列表任务
+{"search_key": "北京出国邦出入境服务有限公司"}
+
+# 详情页信息
+{"fid": "0727d5d1a4f95d791ff4b7ce5d6e975a"}
+```
+
+### 任务样例
+<!--注意是爬虫拿到的完整任务，而不仅仅是task_params-->
+```buildoutcfg
+```
+
+### 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-->
+
++ area_code: 省份/市区编码，例如：安徽(AH); 合肥(AH_340100)
++ page: 页码
++ search_key: 搜索框输入内容
++ fid: QCC企业id
+
+
+## data_type说明
+<!--可能产生的data_type说明-->
++ region_list: 地域列表
++ search_list: 搜索列表
++ detail: 详情页信息
+
+## 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-->
+```text
+同以下实际爬虫结果
+```
+
+## 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-->
+
++ 地域列表任务结果
+```json
+{
+  "data":
+  [
+    {
+      "fid": "13df1591b2302573e518c410acd7b2b4",
+      "qcc_url": "https://www.qcc.com/firm/13df1591b2302573e518c410acd7b2b4.html",
+      "company_name": "大渡口区玖贰辉荟服装经营部"
+    },
+    {
+      "fid": "b028024bb8010add7d668bed6e8b0079",
+      "qcc_url": "https://www.qcc.com/firm/b028024bb8010add7d668bed6e8b0079.html",
+      "company_name": "重庆心揽科技发展有限公司"
+    },
+    ...
+  ],
+  "http_code": 200,
+  "error_msg": "",
+  "task_result": 1000,
+  "data_type": "list_region",
+  "spider_start_time": "2021-11-24 22:41:29.584",
+  "spider_end_time": "2021-11-24 22:41:29",
+  "task_params": {"area_code": "CQ_500104","page": "5"},
+  "metadata": {"area_code": "CQ_500104","page": "5"},
+  "spider_name": "equity_penetration_qcc",
+  "spider_ip": "10.8.6.51"
+}
+```
+
+## 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
+target: node_51
+project: equity_penetration
+spider_name: equity_penetration_qcc
+```
+
+
+## Taskhub地址
+```buildoutcfg
+提交任务地址: 
+代码编写地址: 
+```
+
+## Taskhub调度规则说明
+```buildoutcfg
+task_result=1000    # 正常获取到详情任务
+task_result=1101    # 无结果信息
+task_result=9101    # 超时错误，需要进行重试，目前重试5次
+task_result=8000    # 参数错误
+```
+
+
+## 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？-->
+```buildoutcfg
+(先观察，待补充)
+索引: 
+监控频率: 
+监控起止时间: 
+报警条件: 
+报警群:  
+报警内容: 
+
+```
+
+---
+
+# **数据归集**
+
+## 责任人
+```
+```
+
+
+## 数据归集方式
+
+- [ ] 爬虫直接写kafka
+
+- [ ] 爬虫写文件logstash采集
+
+## 爬虫结果目录
+```html
+采集文件存放路径：
+/data/gravel_spiders/equity_penetration_qcc
+```
+
+## 归集后存放目录
+```html
+```
+
+## logstash配置文件名称
+```html
+```
+
+## logstash文件采集type
+```html
+```
+
+## 数据归集的topic
+```html
+```
+
+## ES日志索引及筛选条件
+```html
+```
+
+## 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