offerpai_backend/.kiro/steering/数据清洗方案.md

inclusion

inclusion
manual

数据清洗方案

总体架构

爬虫(公司网络) → app_job_data(原始数据)
                      ↓
              Java定时任务读取（多线程）
                      ↓
            调用AI API清洗/结构化
                      ↓
         写入业务表(bg_company + bg_job + 关联表)
                      ↓
            公司信息不完整的 → 调工商API补充

所有清洗逻辑放在 manager 模块，通过 @Scheduled 定时任务触发。

讨论分区

整体方案分为四部分逐步讨论：

1. ✅ 岗位清洗触发逻辑
2. ✅ 岗位清洗逻辑
3. ✅ 公司数据触发逻辑
4. ✅ 公司数据补充逻辑（AI补充）

---

一、岗位清洗触发逻辑

1.1 表结构变更

app_job_data 新增字段：

ALTER TABLE app_job_data ADD COLUMN clean_status TINYINT(1) DEFAULT 0 NOT NULL COMMENT '清洗状态 0=待清洗 1=清洗中 2=已入库 3=已丢弃';
CREATE INDEX idx_clean_status ON app_job_data (clean_status);

状态说明：

• 0=待清洗：新爬到的数据，默认值，不影响爬虫原有插入逻辑
• 1=清洗中：定时任务已锁定，正在处理
• 2=已入库：清洗成功，已写入 bg_job
• 3=已丢弃：AI判定为无效数据，不入库

时间记录：不加额外时间字段，利用已有的 updated_at（ON UPDATE CURRENT_TIMESTAMP），状态变更时自动更新。

1.2 两个定时任务

任务A：岗位清洗任务（高频，每5分钟）

1. 批量锁定（事务内 SELECT ... FOR UPDATE + UPDATE）：先在事务内对 clean_status=0 AND is_valid=1 的行加行锁并查出数据，再更新 clean_status=1，事务提交后释放锁。行锁保证并发安全，其他线程会阻塞直到事务提交
2. 将锁定的数据丢入线程池，多线程并发调用 AI API 清洗
3. 每条处理完毕后，单独更新 clean_status 为 2（已入库）或 3（已丢弃）
4. 单条写入事务：bg_job 入库 + clean_status 更新放在同一个短事务中，保证一致性

任务B：僵尸恢复任务（低频，每30分钟）

处理因发布重启导致卡在"清洗中"的僵尸数据：

UPDATE app_job_data SET clean_status=0 WHERE clean_status=1 AND updated_at < NOW() - INTERVAL 10 MINUTE

一条SQL搞定，将超时10分钟仍在"清洗中"的数据重置为待清洗，下次任务A会重新捞取处理。

1.3 去重保障

即使同一条数据被重复清洗（僵尸恢复后重新处理），写入 bg_job 时通过 source_id 判断是否已存在，存在则跳过，不会产生重复数据。

1.4 设计决策记录

决策点	结论	原因
清洗状态放哪	app_job_data 加字段	同库，简单直接
是否加"清洗中"状态	是	多线程并发需要锁定机制
长事务 vs 短事务	短事务（单条）	AI调用耗时长，不能hold连接
僵尸恢复方式	独立低频定时任务	避免每次清洗任务都多一次查询，节省性能
是否加 clean_time 字段	否	updated_at 自动更新，够用
失败重试	僵尸恢复任务自动处理	clean_status=1 超时后重置为0，自动重试

---

二、岗位清洗逻辑

2.1 前置校验（Java侧，不调AI）

• description 为空或长度 < 20 → 直接标记 clean_status=3（丢弃），跳过，节省AI调用成本

2.2 参考数据准备

应用启动时加载并缓存（定期刷新）：

• bg_job_category 全量：只取叶子节点（level=3），拼成 id:name(一级/二级) 文本列表
• bg_industry 全量：只取叶子节点（level=2），拼成 id:name(一级) 文本列表
• bg_skill_tag 全量：按 categoryId 分组缓存为 Map<Long, List<SkillTag>>，供第二次 AI 调用使用

分类和行业列表作为 prompt 的一部分传给AI，ID由人工维护为短数字，不使用雪花ID。

地区数据（bg_china_regions_code）不传给AI，由Java侧根据AI返回的城市名自行匹配。

2.3 AI 调用（单次调用，返回结构化JSON）

输入

• 原始字段：job_title、salary、location、company、experience、education、description
• 参考列表：岗位分类（id:name）、行业（id:name）

AI 返回 JSON 结构

{
  "valid": true,
  "title": "Java高级开发工程师",
  "salary": "15-25K",
  "education": 2,
  "minExperience": 3,
  "employmentType": 0,
  "categoryId": 12,
  "industryId": 5,
  "description": "1. 负责核心业务系统开发...",
  "requirement": "1. 本科及以上学历...",
  "bonus": "1. 有分布式系统经验优先...",
  "tags": ["数据分析", "产品策略", "团队协作"],
  "skillTags": ["Java", "Spring Boot", "MySQL"],
  "companyShortName": "字节跳动",
  "cities": ["北京", "上海"]
}

各字段清洗规则

字段	来源	规则
valid	AI综合判断	数据是否有效，false则丢弃
title	job_title	存在则保留；不存在则AI从description归纳生成
salary	salary	有效则标准化（10-20K / 20K / 面议）；无效或空则null
education	education + description	映射为 0=不限 1=大专 2=本科 3=硕士 4=博士
minExperience	experience + description	提取最低年限数值，不要求则为0
employmentType	description	判断 0=全职 1=兼职，默认0
categoryId	description + job_title	必选，从分类列表中选最接近的，不允许返回null
industryId	description（任职要求部分）	仅当明确提到行业经验要求时设置；列表中无完全匹配则选最相似的；未提到则null
description	description + experience + education	提取"岗位职责"部分，保持原文风格，格式化展示
requirement	description + experience + education	提取"任职要求"部分，保持原文风格，格式化展示
bonus	description + experience + education	提取"加分项"部分，无则空
tags	description + job_title	核心职能标签（如数据分析、产品策略、团队协作），最多5个
skillTags	description	技能关键词（如Java、Spring Boot、MySQL），最多8个
companyShortName	company	提取简洁的公司简称，去掉地区后缀、招聘后缀、括号内容等，保持"中国平安""字节跳动"风格
cities	location	提取城市名列表，精确到市级

2.4 AI 返回后的 Java 处理流程

1. valid=false → 更新 clean_status=3，结束
2. 公司处理：按AI清洗后的 companyShortName 查 bg_company.short_name，存在则拿 company_id；不存在则创建一条（short_name=companyShortName, status=0待完善），拿新ID
3. 地区处理：cities 列表逐个匹配 bg_china_regions_code（按name匹配到市级），匹配上的准备写入关联表
4. 去重：用 source_id（app_job_data.id）查 bg_job，已存在则跳过，更新 clean_status=2
5. 写入 bg_job：组装所有字段，source_id=app_job_data.id，source_url=detail_url，status=0（上架）
6. 写入 bg_job_region_relation：岗位ID + 匹配到的region_code，一岗多地区
7. 更新 app_job_data.clean_status=2

步骤 2-7 放在一个短事务中，保证数据一致性。

2.5 技能标签匹配（第二次 AI 调用）

bg_skill_tag 是预定义的技能标签池，挂在岗位类型下，用于岗位-简历匹配度计算。与 bg_job.skill_tags（自由文本，展示用）是两套东西。

关联表

CREATE TABLE bg_job_skill_tag_relation (
    id BIGINT NOT NULL,
    job_id BIGINT NOT NULL COMMENT '岗位ID',
    skill_tag_id BIGINT NOT NULL COMMENT '技能标签ID',
    create_time DATETIME NOT NULL COMMENT '创建时间',
    PRIMARY KEY (id),
    INDEX idx_job_id (job_id),
    INDEX idx_skill_tag_id (skill_tag_id),
    UNIQUE INDEX uk_job_skill (job_id, skill_tag_id)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='岗位-技能标签关联表';

流程

1. 第一次 AI 调用完成后，拿到 categoryId
2. 从缓存取该 categoryId 下的 skillTag 列表，为空则跳过
3. 发起第二次 AI 调用：传岗位标题+职责+要求 + 该分类下的标签列表（id:name），AI 返回匹配的标签 ID 数组
4. 校验返回的 ID 确实存在于该 categoryId 的标签池中（防幻觉）
5. 写入 bg_job_skill_tag_relation（在 saveJobData 事务中一并写入）
6. 第二次 AI 调用失败不影响岗位入库，仅日志记录

prompt 规则

• 只能从给定列表中选择，不允许自创
• 不限制个数，不重复即可
• 只返回 ID 数组，如 [1, 3, 7]

2.6 设计决策记录

决策点	结论	原因
AI调用次数	一次调用返回全部字段	减少API调用成本和延迟
分类/行业列表怎么给AI	直接传 id:name 文本	ID人工维护为短数字，token消耗可控
地区匹配方式	AI输出城市名，Java侧匹配	城市名无歧义，不需要传参考列表
categoryId 是否可空	不可空，必须选一个	岗位分类是核心维度
industryId 何时设置	仅描述中明确提到行业经验时	行业经验是任职要求，不是所有岗位都有
tags 定位	核心职能标签，最多5个	区别于福利标签，体现岗位核心能力要求
skillTags 数量	最多8个	控制数量，保持精炼
source_id 取值	app_job_data.id	简单直接，用于去重
公司不存在时	自动创建 status=0 待完善	后续由公司数据补充逻辑完善
skillTag 存储方式	独立关联表 bg_job_skill_tag_relation	百万级数据量，JSON查询性能差
skillTag 匹配时机	第二次 AI 调用，岗位入库后	需要先确定 categoryId 才能缩小标签范围
skillTag 与 skill_tags 的关系	两套独立数据	skill_tags 是展示用自由文本，skillTag 是计算用预定义标签
第二次 AI 失败是否影响入库	不影响	标签匹配是增强功能，不阻断主流程

---

三、公司数据触发逻辑

3.1 状态扩展

bg_company.status 扩展为5个值：

• 0=待完善：岗位清洗时自动创建的公司，只有 short_name
• 1=已完善：AI补充完成
• 2=禁用：人工标记禁用
• 3=补充中：定时任务已锁定，正在调用AI
• 4=补充失败：AI明确不认识该公司，不再自动重试

3.2 两个定时任务（与岗位清洗同一套模式）

任务C：公司数据补充任务（低频，每小时）

1. 批量锁定（事务内 SELECT ... FOR UPDATE + UPDATE）：

-- 事务内执行，行锁保证并发安全
SELECT * FROM bg_company WHERE status=0 LIMIT N FOR UPDATE;
UPDATE bg_company SET status=3, update_time=NOW() WHERE id IN (...);

⚠️ 锁定时必须同时更新 update_time，因为 bg_company 的 update_time 不像 app_job_data.updated_at 那样由数据库自动维护，需要 Java 侧手动设值。如果不更新，后续僵尸恢复任务无法正确判断超时。

2. 将锁定的数据丢入线程池，多线程并发调用AI补充
3. 每条处理完毕后，回填公司信息，更新 status=1（已完善）
4. AI明确不认识该公司（valid=false）→ 更新 status=4（补充失败）
5. AI调用异常或解析失败 → 保持 status=3，由僵尸恢复任务重置

任务D：公司僵尸恢复任务（低频，每小时，与任务C错开）

处理因发布重启导致卡在"补充中"的僵尸数据：

UPDATE bg_company SET status=0 WHERE status=3 AND update_time < NOW() - INTERVAL 10 MINUTE

超时10分钟仍在"补充中"的数据重置为待完善，下次任务C会重新捞取处理。

3.3 与岗位清洗触发逻辑的对比

对比项	岗位清洗	公司补充
状态字段	app_job_data.clean_status	bg_company.status
锁定值	1=清洗中	3=补充中
完成值	2=已入库 / 3=已丢弃	1=已完善 / 4=补充失败
时间字段	updated_at（数据库自动）	update_time（Java手动设值）
锁定时是否需手动更新时间	不需要	需要，否则僵尸恢复无法判断超时
触发频率	每5分钟	每小时
僵尸恢复频率	每30分钟	每小时（与任务C错开）

3.4 设计决策记录

决策点	结论	原因
是否与岗位清洗同步触发	否，独立定时任务	AI调用场景不同，频率不同
触发模式	复用岗位清洗的"SELECT FOR UPDATE + 僵尸恢复"模式	统一架构，行锁保证并发安全
锁定时是否更新时间	是	bg_company.update_time 非数据库自动维护，不更新则僵尸恢复失效
补充频率	每小时	公司数据量少，AI调用成本可控

---

四、公司数据补充逻辑（AI补充）

4.1 方案说明

原计划使用工商API（天眼查等）查询公司信息，但考虑到：

• 公司简称不能很好地查询到精确数据
• 用AI生成完整企业名字再查API，准确性也无法保证
• 我们的公司数据来源于招聘平台，基本都是有一定规模的企业，AI训练数据覆盖率高

因此改为直接使用AI补充公司数据，一次调用返回全部字段。

4.2 补充流程

1. 拿 short_name（公司简称），拼 prompt 调 AI
2. prompt 中附带行业列表（DictCacheService.getIndustryText()），让 AI 直接返回 industryId
3. AI 返回结构化 JSON，包含 valid 字段判断是否认识该公司
4. valid=false → 更新 status=4（补充失败），结束
5. regionCode：AI 返回城市名，Java 侧 DictCacheService.matchRegionCode 匹配
6. 解析 JSON，回填 bg_company 各字段
7. 更新 status=1（已完善）

4.3 AI 返回 JSON 结构

{
  "valid": true,
  "name": "北京字节跳动科技有限公司",
  "city": "北京",
  "companyType": "独角兽",
  "industryId": 5,
  "tags": ["短视频", "人工智能", "社交平台"],
  "summary": "全球领先的内容平台和科技公司，旗下拥有抖音、今日头条等产品",
  "description": "字节跳动成立于2012年，是一家以技术驱动的全球化互联网公司...",
  "foundedYear": "2012",
  "address": "北京市海淀区北三环西路27号",
  "scale": "10000人以上",
  "website": "https://www.bytedance.com",
  "financingStage": "已上市",
  "latestValuation": "2200亿美元",
  "news": [
    "字节跳动2024年营收突破1200亿美元创历史新高",
    "TikTok全球月活用户突破15亿大关",
    "字节跳动加大AI大模型研发投入布局人工智能赛道"
  ]
}

4.4 各字段补充规则

bg_company 字段	AI返回字段	规则
name	name	公司全称，AI不确定则null
logoUrl	—	AI无法提供，留空
regionCode	city	AI返回城市名，Java侧matchRegionCode匹配
companyType	companyType	上市企业、独角兽、国企、民营企业、外资企业等
industryId	industryId	从行业列表中选，不确定则null
tags	tags	公司标签，JSON数组，最多5个
summary	summary	一句话简介，100字以内
description	description	公司详细描述，500字以内
foundedYear	foundedYear	成立年份，如"2012"
address	address	注册/总部地址
scale	scale	企业规模，如"1000-5000人"、"10000人以上"
website	website	官网地址
financingStage	financingStage	融资状态，如"A轮"、"已上市"、"不需要融资"
latestValuation	latestValuation	最新估值，AI知道就给，不知道null
news	news	3条相关新闻，每条50字以内，JSON数组

4.5 prompt 规则

• AI 不认识该公司 → valid=false，其他字段不需要返回
• 不确定的字段返回 null，不要编造
• industryId 必须从给定行业列表中选择
• news 最多3条，每条50字以内，基于AI知识库中最新的信息
• tags 最多5个，体现公司核心业务特征
• 字符串值中不允许出现Tab、换行等控制字符
• 只返回JSON，不要其他内容

4.6 设计决策记录

决策点	结论	原因
数据来源	AI补充，不用工商API	公司简称查API不精确，AI对招聘平台企业覆盖率高
AI不认识的公司	status=4（补充失败），不再自动重试	避免无限重试浪费AI调用
logoUrl	留空	AI无法提供图片URL
news 时效性	不要求实时，取AI知识库内最新的3条	求职场景不需要实时新闻
latestValuation	AI知道就给，不知道null	大部分招聘企业AI有数据
regionCode 匹配方式	AI返回城市名，Java侧匹配	复用已有的matchRegionCode逻辑
industryId 匹配方式	prompt带行业列表，AI直接返回ID	复用已有的行业列表文本