Skip to content

GitLab

Last edited by yuanbo
Page history

trade_union

基本信息

数据名称（中文）

工会

数据英文名称

trade_union

采集网站（采集入口）

http://frcx.acftu.org:8080/product/query.jsp

采集频率及采集策略

基本是一次性工作，暂不需要周期调度

存量更新策略

增量采集策略

爬虫名称以及平台 

爬虫名称: trade_union_spider
平台: 中华全国总工会-工会法人网上查询平台

责任人

袁波

代码地址

项目地址
http://192.168.109.110/granite/project-gravel/-/tree/develop_adsearch_20210517/scrapy_spiders/gravel_spiders/spiders

项目入口脚本
http://192.168.109.110/granite/project-gravel/-/blob/develop_adsearch_20210517/scrapy_spiders/gravel_spiders/spiders/trade_union_spider.py

代码具体实现板块
http://192.168.109.110/granite/project-gravel/-/tree/develop_adsearch_20210517/scrapy_spiders/gravel_spiders/spiders/trade_union_reqs

队列名称及队列地址

优先级队列说明

trade_union_spider
说明:无特别处理，都是默认优先级10

任务来源

从企查查导出的工会列表以及credit_no

任务输入参数（样例）

任务样例

{
  "company_name": "上海市宝山区庙行镇总工会",
  "credit_no": "8131011379564436XA"
}

任务参数说明

搜索时候用credit_no,如果没有credit_no,则用company_name

data_type说明

detail: 某个详情页的数据
log: 日志记录

爬虫结果的超级数据

{
	"data": {
		"companyinfo_item": {
			"company_name": "上海市机电工会",
			"credit_no": "81310000425009246G",
			"legal_person": "朱兆开",
			"authority": "上海市总工会",
			"operation_startdate": "2021-05-12",
			"operation_enddate": "2024-01-16",
			"company_address": "上海市黄浦区四川中路149号"
		}
	},
	"http_code": 200,
	"error_msg": "",
	"task_result": 1000,
	"data_type": "detail",
	"spider_start_time": "2021-09-10 17:50:53.886",
	"spider_end_time": "2021-09-10 17:50:55.195",
	"task_params": {
		"company_name": "上海市机电工会",
		"credit_no": "81310000425009246G"
	},
	"metadata": {},
	"spider_name": "trade_union_spider",
	"spider_ip": "10.8.1.42",
	"proxy_ip": "http://10.8.6.219:38080"
}

实际爬虫结果的数据结构

爬虫运行环境

scrapy

爬虫部署信息

10.8.6.76   5个进程

Taskhub地址

Taskhub调度规则说明

爬虫监控指标设计

爬虫待采集结果目录

/data/gravel_spiders/trade_union_spider

数据归集

责任人

范召贤

数据归集方式

  • 爬虫直接写kafka

  • 爬虫写文件logstash采集

归集后存放目录

10.8.6.227
/data2/grvael_spider_result/trade_union_spider

logstash配置文件名称

# kafka
project-deploy/logstash/10.8.6.246/conf.d/collie_spider_data_to_kfk.conf
# es
project-deploy/logstash/10.8.6.229/conf.d/gravel/gravel_spider_to_es.conf

logstash文件采集type

trade_union_spider

数据归集的topic

general-taxpayer

ES日志索引及筛选条件

public-company-spider-data-*

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

数据接收来源

文件

数据存储表地址

  • 数据库地址：
  • 表名：