项目规模：1150万
项目描述：建设面向部委的全网舆情监测系统，对新闻、论坛、微博、公众号等渠道进行7×24小时数据采集，清洗分析，生成热点发现、情感研判、传播溯源等报告，数据日采集量超8000万条，要求高可用与反反爬能力。
技术栈：
采集：Scrapy + Redis分布式 + Selenium/Puppeteer无头浏览器
消息队列：Kafka
数据处理：Spark Streaming（或Flink）+ Python Pandas
存储：Elasticsearch 集群 + MySQL（元数据）
分析：NLP情感分析模型 + 传播路径图计算
展示：Vue3 + ECharts 大屏
个人职责与成果：
作为数据架构师，设计分布式爬虫集群架构，实现IP代理池、Cookie池自动维护，支持JavaScript渲染，反爬对抗能力强，达到日均8000万+采集量。
主导内容去重与质量打分算法，将相似度哈希（SimHash）与BERT语义去重结合，入库有效数据占比提升至95%。
搭建Kafka+Spark Streaming实时清洗管道，对数据进行实体抽取、情感标签，延迟小于30秒。
构建舆情传播图谱，利用Neo4j图数据库计算关键传播节点，为溯源分析提供决策支持。
完成系统在国产X86服务器及麒麟系统上的适配部署，通过保密局相关规范测试，获部委内部科技创新二等奖。