抓下来的页面存成快照，价值在于以后能回看当时的样子。同一页今天和三个月后抓到的内容可能不一样，快照就是那个时间点的凭据。这件事和代理IP的关系在于：快照要能证明「谁在什么时候看到的」，来源信息就是其中一环。
快照要存哪些东西
页面内容当然要存，但只存内容往往不够。抓取时间、访问时用的来源、页面当时的返回状态，这几项一起存下来，以后回看才知道这份快照是在什么条件下拿到的。少了来源这一项，同一批快照里就分不清哪些是通过代理IP取的、哪些是直连的。
存储格式上，原始文档和渲染后的内容建议都留。原始文档体积小，方便以后重新解析；渲染后的内容更接近肉眼看到的页面，方便核对。只留一种，将来想换一种解析方式就麻烦了。
- 记录抓取时间 精确到分钟，作为快照的时间锚点
- 记录访问来源 写清本次用的是哪条线路，便于日后核对
- 保存原始文档 体积小，便于以后重新解析
- 保存渲染结果 贴近实际页面，便于人工核对
快照的价值在于可回看，回看的前提是当时的信息一起留下来了。
存档为什么容易缺东西
常见的缺项是来源信息和状态码。内容存下来了，但没记是哪个来源取的、返回时是什么状态。等到需要核对某一份快照的可靠性时，这些信息补不回来，因为当时的条件已经过去了。
补的办法是在写快照的那一步就把这些字段带上。这一步做一次，后面所有的快照都受益，成本几乎不增加。
归档后的核对
归档完成之后，建议抽查几份，看字段齐不齐、内容能不能打开。抽查时优先选通过代理IP抓的那些，因为这类多了来源这一层，字段更容易漏。核对一次之后，格式就固定下来，后面按同样的方式存就行。
快照的可用性取决于当时记录得全不全。
存快照这件事，难的不是存，是想清楚以后要拿它做什么。以后要用来核对来源，那就把来源记上；要用来做内容比对，那就把时间和状态记上。代理IP链路里的快照，多记一列来源信息，以后就少一次说不清。
按用途决定存什么，快照才不是一堆打不开也用不上的文件。先想回看时要什么，再决定存什么。