157 lines
8.8 KiB
Markdown
157 lines
8.8 KiB
Markdown
## 情报收集系统设计
|
||
|
||
### 参考文档
|
||
https://alidocs.dingtalk.com/i/nodes/NZQYprEoWoexdo1ohPdxXvDbJ1waOeDk?utm_scene=team_space
|
||
|
||
### 程序框架
|
||
```angular2html
|
||
intelligence_system/
|
||
├── collectors/ # 数据采集层
|
||
│ ├── weibo_spider.py # 黑猫爬虫
|
||
│ ├── rss_subscriptions.py # rss订阅
|
||
│ ├── news_api.py # 新闻接口
|
||
│ │
|
||
│ └── internal/ # 内部数据收集
|
||
│ ├── jian_dao_cloud.py # 简道云表单收集器
|
||
│
|
||
├── processors/ # 数据处理层
|
||
│ ├── data_cleaner.py # 数据清洗（去重/标准化）
|
||
│ ├── schema_mapper.py # 数据结构转换器
|
||
│ ├── text_parser.py # 文本解析（PDF/HTML等）
|
||
│ ├── image_analyzer.py # 图像识别（OpenCV集成）
|
||
│ ├── video_processor.py # 音视频分离分析
|
||
│ │
|
||
│ └── ai_engine/ # AI分析核心
|
||
│ ├── nlp_processor.py # 自然语言处理引擎
|
||
│ ├── sentiment_analyzer.py # 情感分析模型
|
||
│ └── topic_modeler.py # LDA主题建模工具
|
||
│
|
||
├── services/ # 应用服务层
|
||
│ ├── monitoring/ # 舆情监控
|
||
│ │ ├── opinion_monitor.py # 实时舆情追踪
|
||
│ │ └── brand_reputation.py # 品牌口碑分析
|
||
│ │
|
||
│ ├── analysis/ # 竞品分析
|
||
│ │ ├── competitor_tracker.py # 竞品动态监控
|
||
│ │ └── swot_generator.py # SWOT分析报告
|
||
│ │
|
||
│ ├── reporting/ # 报告服务
|
||
│ │ ├── daily_reporter.py # 自动化日报生成
|
||
│ │ └── weekly_digest.py # 周报汇编系统
|
||
│ │
|
||
│ └── alert/ # 预警服务
|
||
│ ├── alert_trigger.py # 动态阈值告警
|
||
│ └── notification_center.py # 邮件/短信通知
|
||
│
|
||
├── system_management/ # 系统管理层
|
||
│ ├── scheduler/ # 任务调度
|
||
│ │ └── task_scheduler.py # 任务调度器
|
||
│ │
|
||
│ └── monitor/ # 系统监控
|
||
│ ├── health_monitor.py # 服务健康检测
|
||
│ └── performance_watcher.py # 资源占用监控
|
||
│
|
||
├── utils/ # 工具库
|
||
│ ├── file_handler.py # 通用文件操作
|
||
│ ├── logger.py # 日志系统
|
||
│ ├── mysql_agent.py # MySQL读写管理器
|
||
│ └── datetime_parser.py # 时间格式处理
|
||
│
|
||
├── config.py # 配置加载与管理
|
||
└── main.py # 系统入口（启动所有服务）
|
||
```
|
||
|
||
### 程序设计原则
|
||
1. 所有程序尽可能在py文件中运行，尽量避免使用命令行执行
|
||
2. 配置需要在配置类中定义
|
||
3. 密钥等信息直接放在配置类中
|
||
4. 数据存储遵循"结构化存MySQL，非结构化存MinIO"原则，通过元数据关联
|
||
|
||
### 主程序设计
|
||
主程序需要一次启动，一直运行，启动时运行一次（在代码中可取消），之后每天定时生成一次报告
|
||
|
||
主程序包含爬虫/api调度器。该调度器通过查询mysql中任务调度情况按需执行，db文件中应包含任务名称、
|
||
任务路径、任务执行频率（支持按天、按周，按分钟）、上次执行时间、下次执行时间等信息
|
||
|
||
主程序应包含数据处理调度器，根据数据类别分别处理，如文本数据处理调度器、图片数据处理调度器等，
|
||
每天定时拉取db获取到的原始数据，分别进行处理，处理完成后将结果保存到mysql中
|
||
|
||
主程序应包含日报、周报等生成，根据时间定时生成报告，报告需要存储
|
||
|
||
### 日志设计
|
||
日志系统兼容Windows、Mac、Linux平台，以`log`文件形式存储，超过20MB自动压缩。新增存储相关日志内容：
|
||
- MySQL操作：批量插入行数、表结构变更、事务状态
|
||
- MinIO操作：文件上传/下载状态、路径、大小、耗时
|
||
- 关联日志：MySQL记录与MinIO对象的绑定关系（如"ID:123 关联文件: collector/images/xxx.jpg"）
|
||
- 异常日志：MySQL连接失败、MinIO上传超时、数据关联不一致等告警信息
|
||
|
||
### 存储系统设计（MinIO+MySQL）
|
||
#### 核心存储分工
|
||
| 存储类型 | 适用数据 | 核心作用 |
|
||
|----------|----------|----------|
|
||
| MySQL | 结构化数据、元数据、关系型数据 | 存储业务逻辑数据、非结构化数据的索引信息、任务调度信息等 |
|
||
| MinIO | 非结构化数据 | 存储图片、视频、PDF文档、原始爬取文件等二进制/大文件数据 |
|
||
|
||
|
||
#### 核心存储配置
|
||
1. **MySQL配置**
|
||
- 数据库名称：`intelligence_system`
|
||
- 连接管理：通过`utils/mysql_agent.py`封装线程安全的连接池，提供结构化数据的增删改查及SQL执行能力
|
||
- 适配特性：支持多平台（Windows/macOS/Linux）的超时配置和批处理优化
|
||
|
||
2. **MinIO配置**
|
||
- 存储桶命名规则：按数据类型划分，如`collector-images`（采集层图片）、`processor-videos`（处理层视频）
|
||
- 连接管理：通过`utils/minio_agent.py`封装客户端，提供对象上传、下载、删除、查询URL等能力
|
||
- 路径规则：`{数据层}/{来源}/{时间戳}_{唯一ID}.{后缀}`（例：`collector/weibo_spider/20240520_12345.jpg`）
|
||
|
||
|
||
#### 表命名规则（扩展）
|
||
- 数据采集类：以`collector_`为前缀（存储采集到的结构化数据及MinIO对象元数据）
|
||
- 数据处理类：以`processor_`为前缀（存储处理结果的结构化数据及MinIO处理后对象的元数据）
|
||
- 数据存储类：以`storage_`为前缀（存储MinIO对象的索引信息，如哈希、大小、访问权限等）
|
||
- 应用层类：以`application_`为前缀（对应业务应用数据）
|
||
- 系统类：如任务调度表等采用功能命名（如`main_task`）
|
||
|
||
|
||
#### 核心表结构
|
||
1. `collector_news_api`：新闻API采集数据表（存储新闻标题、内容等结构化数据）
|
||
2. `collector_complaint_spider`：投诉信息爬虫数据表（含投诉文本、附件MinIO路径`attachment_minio_path`等）
|
||
3. `collector_image_source`：采集层图片元数据表（存储图片URL、MinIO路径、格式、大小等）
|
||
4. `processor_text_processor`：文本处理结果表（存储NLP分析结果、关联原文ID等）
|
||
5. `processor_image_processor`：图片处理结果表（存储识别标签、特征向量、处理后图片MinIO路径`result_minio_path`等）
|
||
6. `storage_object_index`：MinIO对象索引表（存储所有对象的MinIO路径、哈希值、创建时间、过期时间等）
|
||
7. `main_task`：任务调度表（存储任务名称、路径、执行频率、上次/下次执行时间等）
|
||
8. `application_reporter_daily`：日报数据表（存储日报结构化内容、报表文件MinIO路径等）
|
||
9. `application_reporter_monthly`：月报数据表（存储月报结构化内容、报表文件MinIO路径等）
|
||
|
||
|
||
#### 数据交互特性
|
||
1. **MySQL交互**
|
||
- 支持DataFrame直接读写，提供分块处理（`chunksize`）和批量插入能力
|
||
- 自动适配平台特性（如Windows小批次写入优化）
|
||
- 完善的事务机制确保结构化数据一致性
|
||
|
||
2. **MinIO交互**
|
||
- 支持大文件分片上传、断点续传
|
||
|
||
3. **联动机制**
|
||
- 非结构化数据存储时，先上传至MinIO获取路径，再将路径及元数据写入MySQL
|
||
- 读取非结构化数据时，先从MySQL获取MinIO路径，再通过路径从MinIO下载
|
||
- 日志同步记录MySQL操作和MinIO对象操作（如"上传文件至MinIO: {path}，关联MySQL记录ID: {id}"）
|
||
|
||
### 数据采集设计
|
||
1. 结构化数据（如新闻文本、投诉内容）：直接写入对应`collector_`前缀表
|
||
2. 非结构化数据（如爬取的图片、附件）：
|
||
- 调用`minio_agent.py`上传至对应存储桶
|
||
- 将MinIO路径、文件大小、格式等元数据写入`collector_`前缀表或`storage_object_index`表
|
||
3. 每个采集模块（独立py文件，`main`方法入口）需同时处理MySQL和MinIO交互，确保数据关联完整
|
||
|
||
|
||
### 数据处理设计
|
||
1. 结构化数据处理：从MySQL读取原始数据，处理后写入`processor_`前缀表
|
||
2. 非结构化数据处理：
|
||
- 从MySQL获取MinIO路径，通过`minio_agent.py`下载原始文件
|
||
- 处理后（如图片识别、视频帧提取）将结果文件上传至MinIO（处理层存储桶）
|
||
- 将处理结果的结构化信息（如识别标签）和处理后文件的MinIO路径写入`processor_`前缀表
|
||
3. 支持多表关联存储，通过`source_id`关联原始数据与处理结果
|