Skip to content

GitLab

Last edited by 章一锋
Page history

hunan

基本信息

数据名称（中文）

湖南欠税公告

数据英文名称

tax_arrears_announcement

采集网站（采集入口）

http://hunan.chinatax.gov.cn/arrearsgetdata

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/hunan

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": "hunan",        # 城市
 "task_type": "task",      # 任务类型
}

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": "hunan_list",
  	"group_retry_times": 0,
  	"priority": null,
  	"page_num": 3330,
  	"task_uuid": "65150ef9-d76d-4e60-8786-afb5c614e33c",
  	"token_scope": "hunan_list",
  	"submit_time": "2021-10-29 17:34:34",
  	"retry_limits": 5,
  	"submitter": "taskhub",
  	"city": "hunan",
  	"routed_count": 1,
  	"retry_times": 0,
  	"task_type": "list"
  },
  "@timestamp": "2021-10-29T10:20:06.666Z",
  "spider_end_time": "2021-10-29 18:19:53",
  "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_10.8.6.51/498.json",
  "type": "tax_arrears_announcement",
  "spider_start_time": "2021-10-29 18:19:52.707",
  "data": {
  	"userId": "20190719067768",
  	"taxpayerNumber": "91430722053864881G",
  	"month": "4",
  	"place": "湖南省汉寿县龙阳镇辰阳南路(护城社区三八组（县国税局旁）)",
  	"nowAmount": "10142.26",
  	"year": "2019",
  	"type": 1,
  	"balance": "14946.98",
  	"taxpayerName": "汉寿县晨发房地产开发有限公司",
  	"taxCategory": "企业所得税",
  	"id": "20200110317932",
  	"creatTime": 1578640086000,
  	"legalDocumentType": "身份证",
  	"legalName": "黄国华",
  	"siteId": "20181205000043",
  	"legalNumber": "441381********2914"
  },
  "@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 hunan

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：