Skip to content

GitLab

  • Projects
  • Groups
  • Snippets
  • Help
    • Loading...
  • Help
    • Help
    • Support
    • Community forum
    • Submit feedback
    • Contribute to GitLab
  • Sign in / Register
K
kb
  • Project overview
    • Project overview
    • Details
    • Activity
    • Releases
  • Repository
    • Repository
    • Files
    • Commits
    • Branches
    • Tags
    • Contributors
    • Graph
    • Compare
  • Issues 2
    • Issues 2
    • List
    • Boards
    • Labels
    • Service Desk
    • Milestones
  • Merge requests 0
    • Merge requests 0
  • Operations
    • Operations
    • Incidents
  • Analytics
    • Analytics
    • Repository
    • Value Stream
  • Wiki
    • Wiki
  • Members
    • Members
  • Activity
  • Graph
  • Create a new issue
  • Commits
  • Issue Boards
Collapse sidebar
  • granite
  • kb
  • Wiki
    • Data_stream
    • Ic
  • zongju_notice

zongju_notice · Changes

Page history
add zongju_notice authored Jan 19, 2022 by 杨龙斌's avatar 杨龙斌
Hide whitespace changes
Inline Side-by-side
Showing with 387 additions and 0 deletions
+387 -0
  • data_stream/ic/zongju_notice.md data_stream/ic/zongju_notice.md +387 -0
  • No files found.
data_stream/ic/zongju_notice.md 0 → 100644
View page @ f1ef7bba
# **基本信息**
```buildoutcfg
总局pc公告爬虫
zongju_notice,通过scrapy部署
项目名称:project-ic-spiders
分支:dev_ic_pc_py3
```
## 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
总局pc公告信息
```
## 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
zongju_notice
```
## 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
首页 http://www.gsxt.gov.cn/corp-query-entprise-info-xxgg-100000.html
各省的地址不一样
```
## 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
无存量更新
```
### 增量采集策略
<!--新增数据怎么来?无需单独采集新增数据?-->
```buildoutcfg
每日20:00提交一批任务
```
---
# **爬虫**
```buildoutcfg
工商信息 zongju_notice
```
## 责任人
```buildoutcfg
杨龙斌
```
## 爬虫名称
```buildoutcfg
zongju_notice
```
<!--spider_name-->
## 代码地址
```buildoutcfg
项目地址:http://tech.pingansec.com/granite/project-ic-spiders/-/blob/dev_ic_pc_py3/scrapy_spiders/gravel_spiders/spiders/ic_notice.py
```
## 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:6379/0
* redis port: 6379
* redis db: 0
* redis key:
* zongju_notice_spider
### 优先级队列说明
* 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
例行任务
```
## 任务输入参数(样例)
```json
{
"task_params": {
"sub_city_code": "110101",
"notice_type": "abnormal_include"
},
"task_src": 22
}
```
### 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-->
```json
{
"sub_city_code": "省份代码",
"notice_type": "公告类型"
}
```
## data_type说明
<!--可能产生的data_type说明-->
```buildoutcfg
detail: 详情信息
```
## 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-->
```json
{
"spider_start_time": "2022-01-19 11:27:36.051569",
"task_result": 1000,
"task_src": 22,
"spider_name": "zongju_notice",
"task_params": {
"sub_city_code": "150423",
"notice_type": "abnormal_remove"
},
"task_type": "经营异常",
"spider_end_time": "2022-01-19 11:27:57.254657",
"data": {
"search_info": {
"datafrom": "",
"entName": "",
"judAuth": "150430002",
"judAuth_CN": "赤峰敖汉旗四道湾子市场监督管理所",
"judDate": null,
"lastModifiedTime": null,
"nodeNum": "150000",
"noticeContent": "敖汉旗长久育林绿化有限公司\r\n你单位因未依照《企业信息公示暂行条例》第八条规定的期限公示年度报告,违反了《企业经营异常名录管理暂行办法》 的相关规定,被列入经营异常名录。现企业已履行相关义务,申请移出。\r\n本局依据《企业经营异常名录管理暂行办法》规定,经审查作出决定:将该企业移出经营异常名录。",
"noticeDate": 1615132800000,
"noticeId": "e5332bb2-017a-1000-e000-0bf17f000001-ycyc",
"noticeNO": "",
"noticeTitle": "关于敖汉旗长久育林绿化有限公司移出经营异常名录的公告",
"noticeType": "12",
"simpleCancelUrl": ""
},
"detail_info": {
"datafrom": "",
"entName": "",
"judAuth": "150430002",
"notice_authority": "赤峰敖汉旗四道湾子市场监督管理所",
"judDate": 1615132800000,
"lastModifiedTime": null,
"nodeNum": "",
"notice_content": "敖汉旗长久育林绿化有限公司\n你单位因未依照《企业信息公示暂行条例》第八条规定的期限公示年度报告,违反了《企业经营异常名录管理暂行办法》 的相关规定,被列入经营异常名录。现企业已履行相关义务,申请移出。\n本局依据《企业经营异常名录管理暂行办法》规定,经审查作出决定:将该企业移出经营异常名录。",
"notice_time": 1615132800000,
"notice_id": "e5332bb2-017a-1000-e000-0bf17f000001-ycyc",
"noticeNO": "敖四道湾子移(2021)第20000261520001号",
"notice_title": "关于敖汉旗长久育林绿化有限公司移出经营异常名录的公告",
"noticeType": "12",
"simpleCancelUrl": "",
"company_name": "敖汉旗长久育林绿化有限公司",
"notice_type": 12
}
},
"spider_ip": "192.168.56.1"
}
```
## 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-->
```json
{
"spider_start_time": "2022-01-19 11:27:36.051569",
"task_result": 1000,
"task_src": 22,
"spider_name": "zongju_notice",
"task_params": {
"sub_city_code": "150423",
"notice_type": "abnormal_remove"
},
"task_type": "经营异常",
"spider_end_time": "2022-01-19 11:27:57.254657",
"data": {
"search_info": {
"datafrom": "",
"entName": "",
"judAuth": "150430002",
"judAuth_CN": "赤峰敖汉旗四道湾子市场监督管理所",
"judDate": null,
"lastModifiedTime": null,
"nodeNum": "150000",
"noticeContent": "敖汉旗长久育林绿化有限公司\r\n你单位因未依照《企业信息公示暂行条例》第八条规定的期限公示年度报告,违反了《企业经营异常名录管理暂行办法》 的相关规定,被列入经营异常名录。现企业已履行相关义务,申请移出。\r\n本局依据《企业经营异常名录管理暂行办法》规定,经审查作出决定:将该企业移出经营异常名录。",
"noticeDate": 1615132800000,
"noticeId": "e5332bb2-017a-1000-e000-0bf17f000001-ycyc",
"noticeNO": "",
"noticeTitle": "关于敖汉旗长久育林绿化有限公司移出经营异常名录的公告",
"noticeType": "12",
"simpleCancelUrl": ""
},
"detail_info": {
"datafrom": "",
"entName": "",
"judAuth": "150430002",
"notice_authority": "赤峰敖汉旗四道湾子市场监督管理所",
"judDate": 1615132800000,
"lastModifiedTime": null,
"nodeNum": "",
"notice_content": "敖汉旗长久育林绿化有限公司\n你单位因未依照《企业信息公示暂行条例》第八条规定的期限公示年度报告,违反了《企业经营异常名录管理暂行办法》 的相关规定,被列入经营异常名录。现企业已履行相关义务,申请移出。\n本局依据《企业经营异常名录管理暂行办法》规定,经审查作出决定:将该企业移出经营异常名录。",
"notice_time": 1615132800000,
"notice_id": "e5332bb2-017a-1000-e000-0bf17f000001-ycyc",
"noticeNO": "敖四道湾子移(2021)第20000261520001号",
"notice_title": "关于敖汉旗长久育林绿化有限公司移出经营异常名录的公告",
"noticeType": "12",
"simpleCancelUrl": "",
"company_name": "敖汉旗长久育林绿化有限公司",
"notice_type": 12
}
},
"spider_ip": "192.168.56.1"
}
```
## 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
10.8.6.19 50个进程 zongju_notice
```
## Taskhub地址
```buildoutcfg
```
## 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
task_result=8004 # 请求到空白链接
```
## 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
```html
范召贤
```
## 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
/data/ic_spider_data/zongju_notice
```
## 归集后存放目录
```html
```
## logstash配置文件名称
```html
```
## logstash文件采集type
```html
zongju_pc_spider
```
## 数据归集的topic
```
collie-ic-data-to-mongo
```
## ES日志索引及筛选条件
```
collie-ic-spider-business-log-*
```
## 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
Clone repository
  • README
  • basic_guidelines
  • basic_guidelines
    • basic_guidelines
    • dev_guide
    • project_build
    • 开发流程
  • best_practice
  • best_practice
    • AlterTable
    • RDS
    • azkaban
    • create_table
    • design
    • elasticsearch
    • elasticsearch
      • ES运维
    • logstash
View All Pages