Skip to content

GitLab

Last edited by 章一锋
Page history

guangdong

基本信息

数据名称（中文）

广东欠税公告

数据英文名称

tax_arrears_announcement

采集网站（采集入口）

https://guangdong.chinatax.gov.cn/siteapps/webpage/gdtax/qsgg/qsgg_search_list.jsp

采集频率及采集策略

存量更新策略

每周更新一次

增量采集策略

每次从头到尾运行一遍，去重得到增量数据

爬虫

责任人

章一锋

爬虫名称

tax_arrears_announcement

代码地址

http://tech.pingansec.com/granite/project-gravel/-/tree/develop_tax_arrears_announcement/scrapy_spiders/gravel_spiders/spiders/tax_arrears_announcement/guangdong

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: tax_arrears_announcement

优先级队列说明

任务来源

任务数据：http://tech.pingansec.com/granite/project-gravel/-/blob/develop_tax_arrears_announcement/app_tax_arrears_announcement/data_dump/task.txt
导入任务配置文件路径：http://tech.pingansec.com/granite/project-gravel/-/blob/develop_tax_arrears_announcement/app_tax_arrears_announcement/data_dump/tax_arrears_announcement.yml

任务输入参数（样例）

任务样例

{
 "city": "guangdong",      # 城市
 "task_type": "task",      # 任务类型
 "operate": 1              # 1表示企业或单位  2表示个体工商户
}

任务参数说明

data_type说明

  list: 用于生成列表任务
  detail: 表示详情数据

爬虫结果的超级数据

{
  "data_type": "detail",
  "task_params": {
  	"rt": false,
  	"outbound": "guangdong_list",
  	"group_retry_times": 0,
  	"priority": null,
  	"page_num": 590,
  	"task_uuid": "23c60e12-6ea3-47d4-b2f0-d85d19f1edb2",
  	"token_scope": "guangdong_list",
  	"operate": 2,
  	"submit_time": "2021-10-29 15:55:59",
  	"retry_limits": 5,
  	"submitter": "taskhub",
  	"city": "guangdong",
  	"routed_count": 2,
  	"retry_times": 1,
  	"task_type": "list"
  },
  "@timestamp": "2021-10-29T07:59:44.188Z",
  "spider_end_time": "2021-10-29 15:59:34",
  "error_msg": "",
  "spider_name": "tax_arrears_announcement",
  "spider_ip": "10.8.6.51",
  "http_code": 200,
  "host": "bdp-ls-002",
  "path": "/data/gravel_spiders/tax_arrears_announcement/BDP-C-1001_10.8.6.51/536.json",
  "type": "tax_arrears_announcement",
  "spider_start_time": "2021-10-29 15:59:33.593",
  "data": {
  	"publish_date": "2018年第1号",
  	"index": 6,
  	"name": "潮州市开发区凤新树业纸盒加工厂",
  	"department": "国家税务总局广东省税务局",
  	"taxpayer_type": "个体工商户",
  	"tax_id_number": "440520590705001",
  	"legalperson_name": "王树鑫",
  	"own_tax_amount": "542.7"
  },
  "@version": "1",
  "metadata": {
  	"page_num": 1
  },
  "task_result": 1000
}

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：tax_arrears_announcement
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/tax_arrears_announcement.yml

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/tax_arrears_announcement

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 tax_arrears_announment city is guangdong

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：