Python 自动化运维入门：健康检查、日志分析与安全告警

服务器日常维护里，真正适合自动化的不是“自动执行所有命令”，而是把重复、可验证、低风险的检查固定下来：采集磁盘与内存状态、确认关键服务在线、从日志中找出异常，再将结果推送到一个可追踪的位置。Python 很适合把这些步骤组织成小而清晰的运维脚本。

自动化前先定义边界

第一版脚本只做读取、记录与告警，不要自动重启服务、删除文件或修改防火墙。这样即使判断阈值设置不合理，也不会直接影响网站。每一项检查都应写明：检查什么、什么值需要告警、告警后由谁处理。

• 系统资源：磁盘可用空间、内存、负载和 swap。
• 服务状态：Web 服务、PHP-FPM、数据库和备份任务是否正常。
• 应用信号：首页响应码、关键页面响应时间、错误日志中的新增异常。
• 执行记录：每次检查的时间、结果和失败原因。

一个最小可用的健康检查脚本

下面的示例使用标准库与 shutil，检查磁盘、内存和首页 HTTP 状态。将域名和阈值替换成自己的环境；生产环境建议放进专门的虚拟环境并由定时任务触发。

from datetime import datetime
from pathlib import Path
import shutil
import urllib.request

URL = "https://example.com/"
DISK_FREE_MIN = 15  # percent

def disk_free_percent(path="/"):
    usage = shutil.disk_usage(path)
    return usage.free / usage.total * 100

def check_homepage():
    request = urllib.request.Request(URL, method="HEAD")
    with urllib.request.urlopen(request, timeout=10) as response:
        return response.status

def main():
    checks = []
    free = disk_free_percent("/")
    checks.append(f"disk_free={free:.1f}%")
    if free < DISK_FREE_MIN:
        checks.append("ALERT: disk space is low")

    try:
        status = check_homepage()
        checks.append(f"homepage_status={status}")
        if status >= 400:
            checks.append("ALERT: homepage returned an error")
    except Exception as error:
        checks.append(f"ALERT: homepage check failed: {error}")

    log = Path("/var/log/site-health.log")
    log.parent.mkdir(parents=True, exist_ok=True)
    log.write_text(
        f"{datetime.now().isoformat()} {' | '.join(checks)}
",
        encoding="utf-8",
    )

if __name__ == "__main__":
    main()

示例里的日志路径需要有写入权限。若脚本以普通用户运行，应使用该用户可写的日志目录，而不要为了省事使用 root。

用 subprocess 检查服务，但不要拼接不可信输入

Python 可以调用系统命令，不过应固定命令参数，使用参数列表并设置超时，避免把来自表单、URL 或日志内容直接拼进 shell 命令。

import subprocess

result = subprocess.run(
    ["systemctl", "is-active", "nginx"],
    capture_output=True,
    text=True,
    timeout=10,
    check=False,
)

if result.stdout.strip() != "active":
    print("ALERT: nginx is not active")

对于需要管理员权限的操作，建议将自动化账户限制为最少权限，并把可执行命令写入明确的白名单。不要把服务器密码、数据库密码、API 密钥或 Webhook 地址直接写进脚本。

日志分析：从“很多行文本”变成可行动信号

日志脚本无需一开始就做复杂的机器学习。先统计最近一段时间内的 5xx、登录失败、重复访问路径与关键错误关键字，已经能覆盖许多真实故障。要注意日志轮转：脚本读取的是当前日志还是归档日志，应有明确策略。

from collections import Counter
from pathlib import Path

errors = Counter()
for line in Path("/var/log/nginx/error.log").read_text(
    encoding="utf-8", errors="ignore"
).splitlines()[-500:]:
    if "error" in line.lower():
        errors["nginx_error"] += 1

if errors["nginx_error"]:
    print(f"Recent nginx errors: {errors['nginx_error']}")

告警要少而有效

告警渠道可以是邮件、企业消息或监控平台，但触发规则应避免“每分钟发一条”。常见做法是设定冷却时间：同一问题在 30 分钟内只通知一次，恢复正常时再发送一条恢复通知。对于核心页面，最好从站外再做一次检查，避免只依赖服务器自身判断。

建议的执行方式

1. 先手工运行脚本，确认输出、权限和超时行为。
2. 将脚本放在版本控制中，配置文件与密钥分离保存。
3. 通过 cron 或 systemd timer 定时运行，并把标准输出与错误输出写入独立日志。
4. 每次改动只增加一个检查项，观察一周后再扩大范围。
5. 保留人工处理流程：自动化负责发现与记录，人负责判断和修复。

结语

好的运维自动化会让问题更早被发现、处理过程更可追溯，而不是把高风险操作交给一个无人值守的脚本。先从健康检查和日志告警开始，再逐步扩展到备份验证、证书到期提醒和性能趋势分析。

站内延伸阅读：Python 教程、Linux 服务器排错、WordPress 运维。