如何让定时更新数据库的Python代码脱离本地自动运行？

以下是几种让你的数据库更新脚本在后台持续自动运行的方案，无需依赖本地电脑：

1. 云虚拟机（如AWS EC2、DigitalOcean Droplet、阿里云ECS） #

• 操作步骤：
  • 租用一台云虚拟机，选择合适的操作系统（如Ubuntu）
  • 在虚拟机上安装Python、pip及脚本依赖包（requests、pandas、schedule、sqlalchemy、pymysql等）
  • 将脚本上传到虚拟机
  • 使用nohup命令让脚本在后台运行：nohup python your_script.py &，或配置systemd服务确保脚本开机自启并异常重启
• 优势：完全控制运行环境，无需修改现有代码逻辑
• 劣势：需要自行管理虚拟机（如系统更新、故障排查），存在持续租赁成本

2. 无服务器函数（如AWS Lambda、Google Cloud Functions、阿里云函数计算） #

• 操作步骤：
  • 将update_database函数改造为无服务器函数的入口 handler
  • 移除原脚本中的schedule循环代码，改用平台自带的定时触发器设置每3小时执行一次
  • 配置函数的运行环境，安装所需依赖包（部分平台支持通过requirements.txt自动安装）
  • 将敏感信息（API密钥、数据库密码）存储在平台的环境变量中，而非硬编码在脚本里
• 改造后的核心代码示例：

import os
import requests
import json
import pandas as pd
from urllib.parse import quote_plus
from sqlalchemy import create_engine
import pymysql

def update_database(event, context):
    # 从环境变量获取敏感信息
    api_key = os.environ.get('SUPERMETRICS_API_KEY')
    db_password = os.environ.get('DB_PASSWORD')
    
    # 重构URL（避免硬编码）
    url_decoded = f'https://api.supermetrics.com/enterprise/v2/query/data/keyjson?json=' \
                  f'{{"ds_id":"FA","ds_accounts":"act_685614429535811","ds_user":"113182444838228",' \
                  f'"date_range_type":"last_year_inc","fields":"dataSourceName,Date,adcampaign_name,adcampaign_id,adset_name,adset_id,ad_name,ad_id,instagram_preview_url,destinationURL,placement,publisher_platform,platform_position,cost,reach,impressions,link_CTR,CPLC,action_link_click,offsite_conversions,offsite_conversions_fb_pixel_lead,offsite_conversions_fb_pixel_custom,video_thruplay_watched_actions,c_action_5785882244799864,c_action_1133825170595983,c_action_1626778367724470,c_action_2745509738917672,c_action_874795197207155,c_action_1207127133480516,on_facebook_view_content",' \
                  f'"max_rows":1000000,"api_key":"{api_key}"}}'
    
    response = requests.get(url_decoded)
    
    if 'data/json?' in url_decoded:
        data = json.loads(json.dumps(response.json()))
        df = pd.DataFrame.from_dict(data['data'])
        headers = df.iloc[0]
        df2 = pd.DataFrame(df.values[1:],columns=headers)
    elif 'data/keyjson?' in url_decoded:
        df2 = pd.read_json(json.dumps(response.json()))
    else:
        import sys
        sys.exit("DEFINE JSON OR KEYJSON AS OUTPUT FORMAT")
    
    # 数据库连接使用环境变量
    conn = create_engine(f'mysql+pymysql://agidb:{quote_plus(db_password)}@165.232.130.95/analytics')
    df2.to_sql(name='facebook_ads', con=conn, if_exists='replace', index=False)
    
    return {'statusCode': 200, 'body': 'Database updated successfully'}

• 优势：按调用次数付费，无需管理服务器，自动扩缩容
• 劣势：存在单次执行时间限制（通常数分钟），需调整代码适配无服务器环境，冷启动可能影响首次执行速度

3. 托管定时任务服务（如AWS EventBridge、Google Cloud Scheduler、阿里云云调度） #

• 操作步骤：
  • 将脚本部署到云服务器或容器中，确保脚本可通过HTTP请求或命令触发执行
  • 使用托管定时任务服务设置每3小时的触发器，调用脚本的执行入口（如发送HTTP请求到服务器端点，或执行云服务器上的命令）
• 优势：无需自行维护定时逻辑，专注于业务代码
• 劣势：需要配合其他服务（如服务器、容器）使用

4. PaaS平台（如Heroku、PythonAnywhere） #

• 以PythonAnywhere为例：
  • 注册账号并创建一个Python环境
  • 上传脚本及requirements.txt文件
  • 进入"Tasks"页面，添加定时任务，设置执行周期为0 */3 * * *（每3小时执行一次），执行命令为python your_script.py
• 优势：操作简单，无需管理服务器，适合轻量级定时任务
• 劣势：免费版存在资源限制，付费版成本较低但功能相对有限

通用注意事项 #

• 敏感信息安全：永远不要将API密钥、数据库密码等敏感信息硬编码在脚本中，改用环境变量或加密存储服务
• 日志与监控：添加日志记录功能，便于排查执行过程中的问题；配置监控告警，确保任务正常运行
• 异常处理：在脚本中添加异常捕获逻辑，避免单次执行失败导致整个任务终止（如网络请求失败、数据库连接异常）

内容的提问来源于stack exchange，提问作者Matheus Pimenta