data_stream/ad_baidu_v.md

+# **基本信息**
+```
+baidu_v
+```
+
+
+## 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-->
+### 
+```
+百度v
+```
+
+## 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-->
+```
+baidu_v
+```
+
+## 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-->
+```
+https://v123.baidu.com/normal/?from=zixinAId&cn=云南石林旅游集团有限公司
+```
+
+
+## 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-->
+```
+每日持续采集(目前不确定crontab在哪台机器上，任务来源不清楚)
+```
+
+
+---
+
+# **爬虫名称以及平台**
+```buildoutcfg
+baidu_v   百度v
+```
+
+
+## 责任人
+```buildoutcfg
+袁波
+```
+
+<!--spider_name-->
+
+## 代码地址
+```
+项目地址:http://192.168.109.110/granite/project-collie-app/-/tree/baiduv_20211124/app_1688/spiders/b2b/b2b/spiders/baidu_v
+```
+
+## 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: 
+    * baiduv_company_name:10
+
+### 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。-->
+```
+
+```
+
+## 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
+{
+	"platform_name": "baiduv",
+	"company_name": "云南石林旅游集团有限公司",
+	"data_type": "company"
+}
+```
+
+### 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-->
+```
+```
+
+## 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-->
+```
+```
+
+## 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-->
+```json
+{
+	"spider_name": "baidu_v",
+	"task_params": {
+		"company_name": "上海衡艳机械设备租赁有限公司",
+		"platform_name": "baiduv",
+		"data_type": "company",
+		"outbound": "baiduv",
+		"routed_count": 1,
+		"submitter": "taskhub",
+		"group_retry_times": 0,
+		"submit_time": "2021-11-24 16:31:05",
+		"token_scope": "baiduv",
+		"retry_limits": 5,
+		"rt": false,
+		"priority": null,
+		"task_uuid": "b9b1be9b-1174-43a9-951c-c761f62ea06f",
+		"retry_times": 0
+	},
+	"platform_name": "baiduv",
+	"found_time": "2021-11-24 16:31:19",
+	"http_code": 200,
+	"data": {
+		"is_baidu_v": 1,
+		"top_domain": "qianhu.wejianzhan.com",
+		"sponsor": "上海衡艳机械设备租赁有限公司",
+		"detail": {
+			"name": "上海衡艳机械设备租赁有限公司",
+			"is_v": "true",
+			"x1": "false",
+			"x2": "false",
+			"x3": "false",
+			"x4": "false",
+			"x5": "false",
+			"link_info": {}
+		},
+		"ctime": "2021-11-24 16:31:19",
+		"mtime": "2021-11-24 16:31:19",
+		"x1": 0,
+		"x2": 0,
+		"x3": 0,
+		"x4": 0,
+		"x5": 0,
+		"contact": 0
+	},
+	"task_result": 1000
+}
+```
+
+## 爬虫运行环境
+<!--udm模块？scrapy？或其他-->
+```
+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？-->
+```
+10.8.6.57 20个进程
+```
+
+
+## Taskhub地址
+```
+```
+
+## Taskhub调度规则说明
+```
+```
+
+
+## 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
+```
+/data/b2b_spider_data/baidu_v
+```
+
+---
+
+# **数据归集**
+
+## 责任人
+```
+范召贤
+```
+
+## 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
+```
+/data2/ad_spider_result/baidu_v
+```
+
+## 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
+```
+无
+```
+
+## 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