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
  • search_ads

search_ads · Changes

Page history
update: 数据流转统一放到一个文件中 authored Apr 22, 2021 by 袁波's avatar 袁波
Hide whitespace changes
Inline Side-by-side
Showing with 57 additions and 59 deletions
+57 -59
  • data_stream/search_ads.md data_stream/search_ads.md +57 -59
  • No files found.
data_stream/search_ads.md 0 → 100644
View page @ 3834e279
# **基本信息**
```buildoutcfg
se_platform spider_name 平台名称
baidu_pc ad_baidu_pc 百度 PC端
baidu_h5 ad_baidu_h5 百度 移动端
360_pc ad_360_pc 360 PC端
360_h5 ad_360_h5 360 移动端
sougou_pc ad_sougou_pc 搜狗 PC端
sougou_h5 ad_sougou_h5 搜狗 移动端
shenma ad_shenma_h5 神马 移动端
toutiao ad_toutiao_h5 头条 移动端
```
## 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
搜索广告
```
## 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
search_ads
```
## 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
百度h5入口:
https://www.baidu.com/from=844b/s?word=python&ts=8478142&t_kt=0&ie=utf-8&fm_kl=021394be2f&rsv_iqid=2183853714&rsv_t=376a8VEY8%252FDOKsDMkKlCpa2B%252FASIiibUR4bHEz4HRUJlSfO8rYgnUcCdQw&sa=ih_2&ms=1&rsv_pq=2183853714&rsv_sug4=2159&ss=011&tj=1
360 PC入口:
https://www.so.com/s?q=java&src=srp&fr=so.com&psid=69bd05cd22757efaf20f73ad38ab739d
360 H5入口:
https://m.so.com/s?q=python&src=suggest_msearch&sug_pos=0&sug=&nlpv=&ssid=&srcg=home_next
```
## 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
db_host: bdp-rds-103.mysql.rds.aliyuncs.com
db_name: aicha_ad
db_user: aicha
db_password: aicha@0611
se_word数据表中任务作为初始任务
逐条更新
目前2周更新一轮
```
### 增量采集策略
<!--新增数据怎么来?无需单独采集新增数据?-->
```buildoutcfg
暂无
```
---
# **爬虫名称以及平台**
```buildoutcfg
spider_name 平台名称
ad_baidu_pc 百度 PC端
ad_baidu_h5 百度 移动端
ad_360_pc 360 PC端
ad_360_h5 360 移动端
ad_sougou_pc 搜狗 PC端
ad_sougou_h5 搜狗 移动端
ad_shenma_h5 神马 移动端
ad_toutiao_h5 头条 移动端
```
## 责任人
```buildoutcfg
袁波
```
<!--spider_name-->
## 代码地址
```buildoutcfg
项目地址:http://192.168.109.199/granite/project-gravel/tree/develop_app_10jqka_20210121/scrapy_spiders/gravel_spiders/spiders
百度移动端:
项目入口脚本: http://192.168.109.199/granite/project-gravel/blob/develop_app_10jqka_20210121/scrapy_spiders/gravel_spiders/spiders/ad_baidu_h5.py
代码具体实现板块: http://192.168.109.199/granite/project-gravel/tree/develop_app_10jqka_20210121/scrapy_spiders/gravel_spiders/spiders/search_ads_reqs/baidu
(说明: 同理,其它爬虫都根据爬虫名称在同级目录或板块下)
```
## 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:
* ad_baidu_pc
* ad_baidu_h5
* ad_360_pc
* ad_360_h5
* ad_sougou_pc
* ad_sougou_h5
* ad_shenma_h5
* ad_toutiao_h5
### 优先级队列说明
```buildoutcfg
ad_baidu_pc
ad_baidu_h5
ad_360_pc
ad_360_h5
ad_sougou_pc
ad_sougou_h5
ad_shenma_h5
ad_toutiao_h5
说明:无特别处理,都是默认优先级10
```
## 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
db_host: bdp-rds-103.mysql.rds.aliyuncs.com
db_name: aicha_ad
db_user: aicha
db_password: aicha@0611
se_word数据表中任务作为初始任务
```
## 任务输入参数(样例)
```json
{
"se_platform": "baidu_h5",
"word": "1200目普通硅微粉",
"area": "全国"
}
说明: 其它任务同理,填不同的se_platform和word即可
```
### 任务样例
<!--注意是爬虫拿到的完整任务,而不仅仅是task_params-->
```buildoutcfg
{
"se_platform": "baidu_h5",
"word": "1200目普通硅微粉",
"area": "全国",
"outbound": "ad_all_platform",
"routed_count": 1,
"submitter": "taskhub",
"group_retry_times": 0,
"submit_time": "2021-04-15 15:11:02",
"token_scope": "ad",
"retry_limits": 2,
"rt": false,
"priority": null,
"task_uuid": "c1577311-f58b-4235-8778-ce08d54df889",
"retry_times": 0
}
说明: 其它爬虫同理,se_platform和word不同即可
```
### 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
{
"se_platform": "baidu_h5", # 平台名称
"word": "1200目普通硅微粉", # 搜索关键词
"area": "全国" # 广告范围
}
说明: 其它爬虫同理,se_platform和word不同即可
```
## data_type说明
<!--可能产生的data_type说明-->
```buildoutcfg
list: 暂未使用
detail: 默认正常出来的广告数据
recommend: 搜索推荐的关键词
```
## 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-->
```buildoutcfg
{
"data": [
{
"find_time": "2021-04-14 21:40:46.358",
"match_word": "牡丹江,招聘信息,招聘,招聘,招聘信息,人才招聘,职位信息",
"land_url": "https://mkt.51job.com/tg/sem/lp2020_H5_jc/index.php?partner=sem_baidu20_126156",
"ad_content": "【前程无忧51job】高薪招聘信息,专业人才招聘网站,海量职位信息,快速投递简历.手机轻松找工作!",
"title": "牡丹江_招聘信息_热门招聘_高薪招聘【51Job】招聘网"
}
],
"http_code": 200,
"error_msg": "",
"task_result": 1000,
"data_type": "detail",
"spider_start_time": "2021-04-14 21:42:39.901",
"spider_end_time": "2021-04-14 21:42:41.688",
"task_params": {
"se_platform": "baidu_h5",
"word": "0453牡丹江最新招聘信息",
"area": "全国",
"outbound": "ad_all_platform",
"routed_count": 1,
"submitter": "taskhub",
"group_retry_times": 0,
"submit_time": "2021-04-14 21:19:45",
"token_scope": "ad",
"retry_limits": 2,
"rt": false,
"priority": null,
"task_uuid": "a2bd1b18-e671-4b77-81ee-3e636372f385",
"retry_times": 0
},
"metadata": { },
"spider_name": "ad_baidu_h5",
"spider_ip": "192.168.108.155"
}
```
## 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-->
```buildoutcfg
baidu_h5 样例链接: http://192.168.109.199/granite/project-gravel/wikis/ad-baidu-h5-data-example
360_pc 样例链接: http://192.168.109.199/granite/project-gravel/wikis/ad-360-pc-data-example
360_h5 样例链接: http://192.168.109.199/granite/project-gravel/wikis/ad-360-h5-data-example
```
## 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
baidu_h5: 10.8.6.57 10个进程
360_pc: 10.8.6.23 10个进程
360_h5: 10.8.6.23 10个进程
```
## Taskhub地址
```buildoutcfg
提交任务地址: http://10.8.6.222:18518/task/
代码编写地址: http://192.168.109.199/granite/project-taskhub/blob/master/taskhub/config/ad/config_ad.d/01_task.yaml
```
## Taskhub调度规则说明
```buildoutcfg
task_result=1000 # 正常获取到详情任务
task_result=1101 # 本条关键词没有搜索到广告数据
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
- [x] 爬虫写文件logstash采集
## 爬虫结果目录
## 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
## ES日志索引及筛选条件
## 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