用Python写监控系统，监控最怕的系统就是把它搞成一个“万能工具箱”。我见过不少团队，监控一开始雄心勃勃要监控CPU、系统内存、监控磁盘、系统网络、监控进程、系统日志，监控结果代码写到三千行，系统连一个报警都没发出去。监控问题出在贪多。系统监控的监控本质是“及时发现问题”，不是系统“收集所有数据”。

拿我自己的监控经历说。去年帮一个朋友的小公司搭监控，他们只有三台服务器，跑着几个Flask应用和PostgreSQL。我一开始用psutil写了个采集脚本，每5秒把CPU、内存、磁盘IO全抓一遍，存进SQLite。跑了两天，数据库涨到200MB，查个历史数据慢得要命。后来我砍掉了磁盘IO和网络流量，只保留CPU使用率、内存占用、磁盘剩余空间这三个指标。采集间隔改成10秒。数据量直接降了70%，查询秒回。

代码其实很短。核心就一个循环：

import psutil, time, sqlite3 def collect(): cpu = psutil.cpu_percent(interval=1) mem = psutil.virtual_memory().percent disk = psutil.disk_usage('/').percent return cpu, mem, disk while True: c, m, d = collect() conn = sqlite3.connect('monitor.db') conn.execute('INSERT INTO metrics VALUES (?,?,?,?)', (int(time.time()), c, m, d)) conn.commit() conn.close() time.sleep(10) 

但光采集没用。监控系统缺了报警，就是个摆设。我见过有人用Python写监控，采集了一堆数据，然后每天手动看图表。这跟没监控有什么区别？报警逻辑要简单粗暴：CPU连续3次超过90%，发邮件；磁盘剩余低于10%，发短信。别搞什么动态阈值、机器学习预测，小团队根本用不上。

用smtplib发邮件，二十行代码搞定。短信可以用Twilio或者阿里云短信API，但说实话，邮件足够。我朋友那套系统跑了半年，只触发过两次报警：一次是PostgreSQL连接数爆了，一次是磁盘被日志写满。两次都是邮件先到，他手动处理，没出大事。

有个细节值得说：报警要带上下文。别只发“CPU高”，要发“CPU 95%，持续5分钟，当前进程列表前五是……”。psutil可以抓进程信息，加进去不费事。这样收到报警的人不用登录服务器就能判断严重程度。

另外，别用Python写Web界面。Flask或者FastAPI搭个仪表盘，看起来很美，但维护成本高。我推荐直接用Grafana，Python只负责往InfluxDB或者Prometheus里写数据。Grafana的图表、告警、分享功能，比你自己写的前端强十倍。你只需要保证数据格式对，剩下的交给专业工具。

最后说个坑：时间同步。有次报警时间比实际晚了8小时，查了半天发现服务器时区是UTC，而脚本里用了本地时间。所有监控数据必须用UTC时间戳存储，展示时再转时区。这个错误很隐蔽，但一旦发生，排查故障时会让你抓狂。

监控系统不需要复杂。采集三个指标，存数据库，超阈值发邮件，用Grafana展示。这套组合拳打下来，代码不超过200行，足够管十台服务器。别想着一步到位，先跑起来，遇到问题再加功能。我见过太多“完美设计”的监控系统，最后都死在没上线。