全国企业信息公示系统数据采集方案

全国企业信息公示系统数据采集解决方案全国企业信息公示系统数据采集解决方案ForeSpider数据采集系统版本2.4.0天津市前嗅网络科技有限公司日期：2016年3月22日全国企业信息公示系统数据采集解决方案目录1．引言..................................................................................................................11.1项目简介.....................................................................................................11.2FORESPIDER简介...........................................................................................12．项目设计方案..................................................................................................22.1系统部署.....................................................................................................22.2系统现有功能.............................................................................................22.3定制开发功能.............................................................................................43．项目测试报告..................................................................................................63.1测试过程.....................................................................................................63.2测试结果...................................................................................................104．售后................................................................................................................114.1培训...........................................................................................................114.2维护服务...................................................................................................114.3其他...........................................................................................................115．项目报价........................................................................................................125.1软件费用...................................................................................................125.2定制开发费用...........................................................................................13全国企业信息公示系统数据采集解决方案第1页1．项目背景1.1项目简介企业公示系统数据采集项目是在需求方购买天津市前嗅网络科技有限公司（以下简称前嗅）的ForeSpider数据采集系统基础上，针对本项目特殊的采集特点，由前嗅进行项目定制化开发采集功能细节，同时双方合作共同开发完成全部功能。为了便于需求方更好地了解本软件系统对于数据采集的性能、质量、速度、范围等各方面情况，保证双方能够完成项目目标，使软件系统开发工作开展的各个过程合理有序。因此，前嗅通过本文档，把软件系统的采集状况、采集能力，对于目标采集源的测试结果，各项工作的任务分解、各团队成员的工作责任、团队内外沟通协作方式、开发进度、经费预算、项目内外环境条件、风险对策等内容做出安排。使项目成员和项目干系人了解项目开发方案和预期达到的效果，作为项目团队成员以及项目干系人之间的共识，也作为正式合作确立前的依据。1.2ForeSpider简介前嗅ForeSpider数据采集系统是天津市前嗅网络科技有限公司自主知识产权的通用性互联网数据采集软件。软件具备全面的采集范围、精准的数据精度、绝佳的抓取性能、简易的可视化操作、智能的自动化采集，使企业能够以很少的人工成本，快速获取互联网中结构化或非结构化的数据。软件几乎可以采集互联网上所有公开的数据，通过可视化的操作流程，从建表、过滤、采集到入库一步到位。支持正则表达式操作，更有强大的面向对象的脚本语言系统。单机采集能力可达4000-8000万，日采集能力超过500万。服务器单机采集能力可达8亿-16亿，日采集能力超过2000万。并行情况下可支撑百亿以上规模数据链接，堪与百度等搜索引擎系统媲美。全国企业信息公示系统数据采集解决方案第2页2．项目方案2.1系统部署本系统采用C/S设计模式，每个序列号绑定一台计算机。按照采集性能分为普通台式机和服务器两个版本，按照功能分为低配版和高配版两个版本。根据本项目特点，需要购买高配版。1.普通台式机内存：4G以上（建议8G）。CPU：2核以上（建议4核）。网络带宽:10M以上（提升采集速度）。硬盘:500G以上存储空间(根据实际存储数据周期可能需要扩充)。数据库对接：支持系统自带数据库ForeLib和MySQL。采集能力：4000-8000万/每次任务（与硬件性能有关）。采集速度：400-1000万以上/每天（与开启线程数、自身和对方服务器带宽有关，由于本项目采集链接时cookie限制只能单线程采集，采集速度难以达到）。2.服务器内存：32G以上。系统:windowsserver2000及以上32位/64位。网络带宽:10M以上。数据库对接：支持系统自带数据库ForeLib和MySQL。采集能力：8亿-16亿/每次任务（与硬件性能有关）。采集速度：2000万以上/每天（与开启线程数、自身和对方服务器带宽有关，由于本项目采集链接时cookie限制只能单线程采集，采集速度难以达到）。2.2系统现有特性一．通用性：可以抓取互联网上几乎100%的数据1.支持用户登录。2.支持Cookie技术。3.支持验证码识别。4.支持HTTPS安全协议。5.支持OAuth认证。全国企业信息公示系统数据采集解决方案第3页6.支持POST请求。7.支持搜索栏的关键词搜索采集。8.支持JS动态生成页面采集。9.支持IP代理采集。10.支持图片采集。11.支持本地目录采集。12.内置面向对象的脚本语言系统，配置脚本可以采集几乎100%的互联网信息。二．专业性：精准采集所需数据1.独立知识产权JS引擎，精准采集。2.内部集成数据库，数据直接采集入库。3.内部创建数据表结构，抓取数据后直接存入数据库相应字段。4.根据dom结构自动过滤无关信息。5.通过模板配置链接抽取和数据抽取，目标网站的所有可见内容均可采集，智能过滤无关信息。6.采集前数据可预览采集，随时调整模板配置，提升数据精度和质量。7.字段的数据支持多种处理方式。8.支持正则表达式，精准处理数据。9.支持脚本配置，精确处理字段的数据。三．高性能：千万级的采集速度1.C++编写的爬虫，具备绝佳采集性能。2.支持多线程采集。3.台式机单机采集能力可达4000-8000万，日采集能力超过500万。4.服务器单机采集能力可达8亿-16亿，日采集能力超过2000万。5.并行情况下可支撑百亿以上规模数据链接，堪与百度等搜索引擎系统媲美。6.软件性能稳健，稳定性好。四．简易高效：节约70%的配置时间1.完全可视化的配置界面，操作流程顺畅简易。全国企业信息公示系统数据采集解决方案第4页2.基本不需要计算机基础，代码薄弱人员也可快速上手，降低操作门槛，节省企业爬虫工程师成本。3.过滤采集入库一步到位，集成表结构配置、链接过滤、字段取值、采集预览、数据入库。4.数据智能排重。5.内置浏览器，字段取值直接在浏览器上可视化定位。五．智能：智能模拟用户和浏览器行为1.智能模拟浏览器和用户行为，突破反爬虫限制。2.自动抓取网页的各类参数和下载过程的各类参数。3.支持动态IP代理加速，智能过滤无效IP代理，提升代理的利用效率和采集质量。4.支持动态调整数据抓取策略，多种策略让您的数据无需重采，不再担心漏采，数据采集更智能。5.自动定时采集。6.设置采集任务条数，自动停止采集。7.设置文件大小阈值，自动过滤超大文件。8.自由设置浏览器是否加速，自动过滤页面的flash等无关内容。9.智能定位字段取值区域。10.可以根据字符串特征自动定位取值区域。11.智能识别表格的多值，表格数据可以完美存入相应字段。六．优质服务1.数据采集完全在本地进行，保证数据安全性。2.提供大量免费的各个网站配置模板在线下载，用户可以自由导入导出。3.免费升级后续不断开发的更多功能。4.免费更换2次绑定的计算机。5.为用户提供各类高端定制化服务，全方位来满足用户的数据需求。2.3定制开发功能2.3.1省份情况分类通过逐一采集全国31个省份发现，各省份的状况如下。全国企业信息公示系统数据采集解决方案第5页1.通过Cookie、jsessionid、日期与验证机制关联的省份：省份：天津、江苏、浙江、陕西、内蒙古、重庆、新疆定制状况：无需定制，可以采集。2.验证码识别限时的省份：省份：北京定制状况：需要定制，解决验证码识别限时的问题。3.动态的JS生成的验证机制：省份：河南、湖南、河北、陕西、吉林、黑龙江、福建、上海、江西、安徽、山东、广东、广西、海南、四川、贵州、云南、西藏、甘肃、宁夏、青海。定制状况：需要定制，动态JS生成的验证机制需要进一步解析。4.密码盘的验证机制：省份：湖北。定制状况：可以实现手工识别采集，不需要定制。如果想实现机器识别需要自行解决验证码问题。2.3.2功能定制情况根据项目的需求分析和系统目前的现有功能，至少有以下模块需要定制开发：1.验证码识别接口。2.北京网站的验证码识别限时，需要定制开发。3.JS动态生成的验证机制，需要浏览器采集，需要定制开发。全国企业信息公示系统数据采集解决方案第6页3．项目测试报告3.1测试过程以天津为例，通过人工识别验证码方式进行测试。1.配置企业名称的关键词2.配置模板一的链接抽取3.配置模板二的链接抽取全国企业信息公示系统数据采集解决方案第7页4.配置模板二的链接脚本5.配置模板三的链接抽取全国企业信息公示系统数据采