我有两台机器，速度和质量。 speed 具有快速的 Internet 连接，并且正在运行一个将大量文件下载到磁盘的爬虫。 mass 有很多磁盘空间。我想在下载完成后将文件从速度移动到质量。理想情况下，我会运行：
$ rsync --remove-source-files speed:/var/crawldir .
但我担心 rsync 会取消链接尚未完成下载的源文件。 （我查看了源代码，但没有看到任何保护措施。）有什么建议吗？
【问题讨论】：
标签： storage web-crawler rsync
在我看来，问题是在文件完成之前传输文件，而不是您要删除它。
如果是 Linux，进程 A 可以打开文件，而进程 B 可以取消链接该文件。没有错误，但是 A 当然是在浪费时间。因此，rsync 删除源文件是没有问题的。
问题是 rsync 仅在复制后才删除源文件，如果它仍在写入磁盘，您将获得部分文件。
怎么样：将mass 挂载为speed 中的远程文件系统（NFS 可以工作）。然后直接对文件进行网络爬取。
【讨论】：
您对下载过程有多少控制权？如果您自己滚动，则可以将正在下载的文件转到临时目录或使用临时名称，直到下载完成，然后在完成下载后将其 mv 到正确的名称。如果您使用的是第三方软件，那么您没有太多的控制权，但您仍然可以执行临时目录的操作。
【讨论】：
Rsync 可以排除匹配某些模式的文件。即使您无法修改它以使其将文件下载到临时目录，也许它在下载过程中具有不同命名文件的约定（例如：foo.downloading 同时下载名为foo 的文件），您可以使用此属性可排除仍在下载的文件，以免被复制。
【讨论】：
如果您可以控制抓取过程，或者它具有可预测的输出，则上述解决方案（存储在临时文件中直到完成，然后移动到已完成的下载位置，或忽略具有“.downloading”类型的文件的名字）可能会工作。如果所有这些都超出了您的控制范围，您可以通过执行 'lsof $filename' 并检查是否有结果来确保文件没有被任何进程打开。显然，如果没有人打开文件，则可以安全地移动它。
【讨论】：