前言：

????????ERA5是ECMWF对全球气候的第五代大气再分析。再分析将模型数据与来自世界各地的观测数据结合起来，形成一个全球完整的、一致的数据集。ERA5取代了其前身ERA-Interim再分析，ERA5数据一般为Grid和NetCDF格式。ERA5是一套质量很高的在分析资料！！！

????????ERA5数据直接提供了逐小时、逐月的在分析资料，但是daily资料下载有点说法。

下载方式：? ? ? ??

? ? ? ? 1. 最粗暴的方式

就是把逐小时的资料全部下载下来，然后自己计算逐日平均。

Copernicus Climate Data Store |

但是把，这样下载时间成本、储存成本和再处理成本有点高。。。

? ? ? ? ?2. 官方提供了daily的统计资料哦

先把官网甩出来~：

ERA5 DAILY提供每天7个ERA5气候再分析参数的汇总值：2米空气温度、2米露点温度、总降水量、平均海平面气压、表面气压、10米u风分量和10米v风分量。此外，根据每小时的2米空气温度数据，计算出2米处的每日最低和最高空气温度。每日总降水质以每日总和给出。所有其他参数都以日平均数提供。

?根据你想要的选择合适之后，点击RUN便会生成.nc数据，点击下载就行。

?但是还是有个问题啊，每个变量每个月都得点击一次，这也太麻烦了！！！

??????????3. 用脚本批量下载

下面主要介绍如何用linux下载，windows下载可见这篇博客，博主写的很详细了！！！

ERA5逐日资料下载方法-数据资料-气象家园_气象人自己的家园

step1：

安装CDS API，大佬可以直接参阅官网提供的AAPI进行下载：

How to use the CDS API |

如果大佬们懒得开，我就简单bb两句怎么搞：

首先，创建.cdsapirc 文件并填入url和key

vim $HOME/.cdsapirc

然后键入i进入写入模式，填写你自己的url和key，类似于：，自己的url和key在此网站中：How to use the CDS API | Copernicus Climate Data Store，将右侧黑框中的url和key复制过来即可，注意需要先登录才会显示自己的url和key。

?然后，使用pip安装就行了

pip install cdsapi

step2：

运行downloadERA5Daily.py就行这个脚本代码如下：

# -*- coding: utf-8 -*-
"""
@author:Tong
"""
import time

import cdsapi
import requests
import multiprocessing

# CDS API script to use CDS service to retrieve daily ERA5* variables and iterate over
# all months in the specified years.

# Requires:
# 1) the CDS API to be installed and working on your system
# 2) You have agreed to the ERA5 Licence (via the CDS web page)
# 3) Selection of required variable, daily statistic, etc

# Output:
# 1) separate netCDF file for chosen daily statistic/variable for each month

# Uncomment years as required
# For valid keywords, see Table 2 of:
# https://datastore.copernicus-climate.eu/documents/app-c3s-daily-era5-statistics/C3S_Application-Documentation_ERA5-daily-statistics-v2.pdf
# select your variable; name must be a valid ERA5 CDS API name.
# Select the required statistic, valid names given in link above


c = cdsapi.Client()#timeout=300
years = [ str(id1) for id1 in range(1959,2016) ]
months =[ '%02d' % id2 for id2 in range(1,13) ]
var = "2m_temperature"
stat = "daily_mean"

def Download(iyear, imonth):
    t000=time.time()
    result = c.service(
        "tool.toolbox.orchestrator.workflow",
        params={
            "realm": "c3s",
            "project": "app-c3s-daily-era5-statistics",
            "version": "master",
            "kwargs": {
                "dataset": "reanalysis-era5-single-levels",
                "product_type": "reanalysis",
                "variable": var,
                "statistic": stat,
                "year": iyear,
                "month": imonth,
                "time_zone": "UTC+00:0",
                "frequency": "1-hourly",
                #
                # Users can change the output grid resolution and selected area
                #
                #                "grid": "1.0/1.0",
                #                "area":{"lat": [10, 60], "lon": [65, 140]}

            },
            "workflow_name": "application"
        })

    # set name of output file for each month (statistic, variable, year, month

    file_name =  stat + "_" + var +  iyear + imonth + ".nc"

    location = result[0]['location']
    res = requests.get(location, stream=True)
    print("Writing data to " + file_name)
    with open(file_name, 'wb') as fh:
        for r in res.iter_content(chunk_size=1024):
            fh.write(r)
    fh.close()
    print('***样本%s 保存结束, 耗时: %.3f s / %.3f mins****************' % (file_name,(time.time() - t000), (time.time() - t000) / 60))


if __name__ == "__main__":
    t0 = time.time()
    # ===================================================================================
    print('*****************程序开始*********************')
    for yr in years:
        for mn in months:
            Download(yr, mn)
    print('***********************程序结束, 耗时: %.3f s / %.3f mins****************' % (
        (time.time() - t0), (time.time() - t0) / 60))