Skip to content

GitLab

guangdong · Changes

Page history
add tax_arrears_announcement authored by 章一锋's avatar 章一锋
Hide whitespace changes
Inline Side-by-side
Showing with 255 additions and 0 deletions
data_stream/tax_arrears_announcement/guangdong.md 0 → 100644
View page @ 516fd65b
# **基本信息**
## 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
广东欠税公告
```
## 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
tax_arrears_announcement
```
## 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
https://guangdong.chinatax.gov.cn/siteapps/webpage/gdtax/qsgg/qsgg_search_list.jsp
```
## 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
每周更新一次
```
### 增量采集策略
<!--新增数据怎么来？无需单独采集新增数据？-->
```buildoutcfg
每次从头到尾运行一遍，去重得到增量数据
```
---
# **爬虫**
## 责任人
```buildoutcfg
章一锋
```
## 爬虫名称
<!--spider_name-->
```buildoutcfg
tax_arrears_announcement
```
## 代码地址
<!--爬虫的具体代码地址，不是代码所在的项目，要具体到模块或脚本文件-->
```buildoutcfg
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 port db key 优先级说明-->
```buildoutcfg
* 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
<!--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
<!--注意是爬虫拿到的完整任务，而不仅仅是task_params-->
```json
{
"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
<!--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-->
## data_type说明
<!--可能产生的data_type说明-->
```buildoutcfg
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
<!--包含所有字段的json数据，每个value都要有样例值-->
```json
{
"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
<!--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-->
## 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
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
```buildoutcfg
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
```buildoutcfg
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
<!--监控爬虫正常运行的指标是什么？报警规则是什么？-->
## 爬虫待采集结果目录
---
```buildoutcfg
/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
```buildoutcfg
general-taxpayer
```
## ES日志索引及筛选条件
```buildoutcfg
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
<!--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