爬虫概述

早在 2016 年，我用我的阿里云 ECS上运行了一个长期性质的爬虫程序，内容是采集风云二号气象卫星照片，现在假期终于有时间回来查看结果，简单统计如下（附图）：

图片总数：45869 个文件

最早文件：201609131345.jpg

最晚文件：201910091415.jpg

爬虫运行过程

1，数据源：

当时意外获得一个长期有效的数据来源，其 URL 参数，为时间格式，也就是说有着明显的规律。适合爬虫运行

2，爬虫运行：

这个爬虫的运行条件其实有 2 个：1 定时下载；2 不停机运行；

既然是气象数据，当然得定时抓取，所以我写了一个 windows 服务，置于后台连续运行。虽然中间由于服务器其他问题导致中断过几次，不过架不住时间长久，因此还是成功连续采集了很多数据。

还有个要求就是不能关机，程序需要连续运行。我的最终方案就是使用云服务器 ECS部署运行。避免使用个人 PC 长期开机来运行。

3，处理存储：

首先，这个程序既然要长期运行，那么非常避讳的一点就是所有结果都集中在一个本地文件夹里，因此我选用了阿里云对象存储 OSS，同时由于我需要不关机，所以我最终是云服务器 ECS+对象存储 OSS，ECS 和 OSS 使用了同地域的，因此内网打通传输很快。这样我就只在本地做一个临时存储，转存 OSS 后不再占用本地硬盘，这样一来我才可以放心启动后 “免维护” 运行这好几年。

4，爬虫关停

爬虫的关停并非我本意，是我假期期间查看日志才知道数据源已经失效了。因此本爬虫寿终正寝。虽然我可以去寻找一下新的有效数据源，但是由于老数据我都没用好，那么新的数据就暂时先不去寻找了。

爬虫工作完成，最终成果下载

我选用了阿里云推荐的 OSS 客户端工具，由于我提前规划好了 ECS 和 OSS 同地域，因此可以直接内网下载到我的 ECS，速度还是很快的，工具显示大于 60MB/s。工具部分截图如图：

为了避免 OSS 公网下载流量的费用支出（其实是穷：直接下载 6G 大小文件，忙时价格为 1 块 5 毛钱），我将 OSS 数据内网下载后，走 ECS 的出带宽下载回我 PC 本地。本地查看：

原文地址：https://www.opengps.cn/Blog/View.aspx?id=590文章的更新编辑依此链接为准。欢迎关注源站原创文章！