为 crontab 正确设置环境变量避免无法正确运行程序

问题简述: 直接运行能正确执行的定时爬虫在 crontab 中无法执行
解决方案: 在 crontab 执行的脚本中使用 export 手动设置环境变量

问题背景

该博客的自动爬虫是每天凌晨三点自动执行的。原本是可以正常进行的，但是某天开始突然发现爬虫数据一直不会更新。

经过检查，其他的定时任务（百度自动推送、自动备份）都可以正确进行。因此怀疑是爬虫的 Python 脚本出现问题，但是其直接运行又没有任何问题。

问题探索

首先想到的是是否是权限问题，检查了脚本是 root 运行（即脚本定时任务配置在sudo crontab -e，而非crontab -e）。同时相应的 Shell 执行文件、Python 脚本都没有任何权限问题（严格来说也没有能限制 root 用户的情况吧）

于是猜测是 Python 脚本本身存在问题，因此尝试将报错信息重定向到文件中。相应的 crontab 配置如下：

0 3 * * * bash /home/ubuntu/blog/spider 1>>/home/ubuntu/blog/crontab.log 2>>/home/ubuntu/blog/crontab.err

在 Linux 系统中，万物皆文件，因此内容输入和输出的设备（终端）也对应着不同类型的文件，称为标准输出流(stdout)、标准错误流(stderr)、标准输入流(stdin)。如果有 C++ 编程经验，应该是很熟悉这些“文件的”。
其中，标准输入流和标准输出流就是通常在命令行程序中的输入和输出。而为了将错误与输出分离开，还存在标准错误流（程序日志过多可能会导致错误信息被覆盖在信息流中，难以阅读）
在文件重定向中，1>>表示重定向标准输出流，2>>表示重定向标准错误流。
这样，就可以将上述脚本的执行过程中的所有输出内容保存到文件中

通过查看错误输出，可以发现问题的关键所在：

ModuleNotFoundError: No module named 'pymongo'

Python 无法找到相应的第三方包。但是明明已经在 root 和普通用户下都安装了第三方包，sudo bash spider 和 bash spider 都可以正常运行。
因此猜测问题可能出在环境变量上

使用env可以输出所有的环境变量，将该命令在 crontab 中执行，并保存输出内容。可以看到：

HOME=/root
LOGNAME=root
PATH=/usr/bin:/bin
LANG=en_US.utf8
SHELL=/bin/sh
PWD=/root

这说明，尽管 crontab 以某个特定用户权限执行，但是其并未配置对应的环境变量。而这也可能导致crontab 找不到 Python 等程序的问题

解决方案

要解决该问题也很容易，手动设置环境变量即可。

以 Python 为例，首先可以使用which python获得 Python 的运行地址，如：

$ which python3.8
/usr/bin/python3.8

而后，在 Python 中，使用sys.path获取其环境变量

$ python3.8
Python 3.8.0 (default, Oct 28 2019, 16:14:01)
[GCC 8.3.0] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import sys
>>> sys.path
['', '/usr/lib/python38.zip', '/usr/lib/python3.8', '/usr/lib/python3.8/lib-dynload', '/home/ubuntu/.local/lib/python3.8/site-packages', '/usr/local/lib/python3.8/dist-packages', '/usr/lib/python3/dist-packages']

这些目录就是 Python 在 import 包时检索的地址。可以使用PYTHONPATH环境变量来设置这些地址。

由于只需要设置临时的环境变量，不需要设置成用户级环境变量，因此可以使用export来实现该要求（=两边没有空格，使用:作为不同目录的分隔符）

再加上使用绝对路径调用 Python，即可完美使用 crontab 定时调用 Python。对应的脚本如下：

#!/bin/bash
export PYTHONPATH="/usr/lib/python38.zip:/usr/lib/python3.8:/usr/lib/python3.8/lib-dynload:/home/ubuntu/.local/lib/python3.8/site-packages:/usr/local/lib/python3.8/dist-packages:/usr/lib/python3/dist-packages"
/usr/bin/python3.8 /home/ubuntu/blog/blotter/spider/main.py >> /home/ubuntu/blog/spider.log