做运维或者后端开发的朋友应该都深有体会，服务器集群机器多了之后，日常巡检真的特别折磨人。如果是十几台、几十台服务器，每次排查 CPU、内存、在线状态、磁盘使用率，一台一台登录查看，耗时又费力，遇到半夜告警、突发故障，排查效率极低，很容易错过最佳处理时间。

我之前公司线下运维，一直采用人工巡检的方式，不仅效率低下，还经常出现漏检、误检的情况。后面我用 Python 写了一套轻量化集群监控脚本，不需要部署复杂的 Prometheus、Grafana 监控体系，不用装各种依赖服务，只需一个脚本，一分钟批量检测所有集群机器，自动判断主机存活、资源负载、异常告警，极大解放了双手。

今天就把这套可直接落地的 Python 运维自动化监控方案分享出来，代码简洁、无冗余，支持批量检测、异常标记、结果汇总，个人服务器、企业集群都能直接使用。

一、传统人工运维的痛点

传统运维方式基本靠手动 SSH 登录机器，输入 top、df、free 等命令查看状态。机器少还好，一旦集群规模上来，弊端非常明显：人工巡检耗时久、容易出错、无法实时监控、故障发现滞后。

很多中小型团队没有专职运维，也不想搭建重型监控平台，这时候用 Python 做轻量化自动化监控，就是性价比最高的方案。简单、稳定、零成本、开箱即用。

二、技术选型与环境准备

本次脚本采用 paramiko 实现远程 SSH 批量执行命令，无需在被控机器安装任何客户端，主控机直接远程采集所有机器状态。整体依赖极少，兼容性非常好。

安装依赖：

pip install paramiko

三、完整集群批量监控实战代码

下面是我线上长期在用的精简版监控脚本，功能包含：主机连通性检测、CPU使用率采集、内存使用率采集、磁盘占用检测、异常机器自动标记。支持多台机器批量扫描，跑完直接输出可视化结果。

import paramiko import time # 集群服务器列表（自行替换IP、账号密码） server_list = [ {"host": "192.168.1.10", "user": "root", "pwd": "123456"}, {"host": "192.168.1.11", "user": "root", "pwd": "123456"}, {"host": "192.168.1.12", "user": "root", "pwd": "123456"}, ] # 远程执行命令工具 def exec_command(ssh, cmd): stdin, stdout, stderr = ssh.exec_command(cmd) return stdout.read().decode().strip() # 单台服务器状态检测 def monitor_server(server): ssh = paramiko.SSHClient() # 自动信任未知主机 ssh.set_missing_host_key_policy(paramiko.AutoAddPolicy()) try: # 连接服务器 ssh.connect( hostname=server["host"], username=server["user"], password=server["pwd"], timeout=5 ) # 获取CPU使用率 cpu_cmd = "top -bn1 | grep Cpu | awk '{print 100-$8}'" cpu_usage = exec_command(ssh, cpu_cmd) # 获取内存使用率 mem_cmd = "free | awk '/Mem/{printf(\"%.2f\", $3/$2*100)}'" mem_usage = exec_command(ssh, mem_cmd) # 获取磁盘使用率 disk_cmd = "df -h / | awk 'NR==2{print $5}'" disk_usage = exec_command(ssh, disk_cmd).replace("%","") ssh.close() # 异常判断阈值 status = "正常" if float(cpu_usage) > 80 or float(mem_usage) > 85 or int(disk_usage) > 90: status = "【异常负载过高】" return { "host": server["host"], "cpu_usage": cpu_usage, "mem_usage": mem_usage, "disk_usage": disk_usage, "status": status } except Exception as e: return { "host": server["host"], "status": "【连接失败/机器宕机】" } # 批量监控所有集群机器 if __name__ == "__main__": print("====== 集群服务器批量监控开始 ======\n") start_time = time.time() for server in server_list: res = monitor_server(server) print(f"机器IP：{res['host']}") print(f"运行状态：{res['status']}") if "异常" not in res["status"] and "失败" not in res["status"]: print(f"CPU使用率：{res['cpu_usage']}%") print(f"内存使用率：{res['mem_usage']}%") print(f"磁盘使用率：{res['disk_usage']}%") print("-" * 50) print(f"\n监控完成，总耗时：{round(time.time()-start_time,2)}s")

四、脚本功能与运行效果讲解

脚本逻辑非常通俗易懂，首先配置集群所有服务器的 IP、账号、密码，程序会自动遍历每一台机器，远程执行系统命令，采集核心资源指标。

我设置了通用告警阈值：CPU超过80%、内存超过85%、磁盘占用超过90%，自动标记为负载异常；如果服务器关机、端口不通、密码错误，会直接标记为连接失败/机器宕机。

原本需要十几分钟的人工巡检，现在几秒钟就能跑完十几台机器，所有故障机器一目了然，不用逐台登录排查，极大提升运维效率。

五、生产环境优化与安全改造

很多同学直接使用会担心账号密码明文泄露，这里给大家分享生产落地的优化方案。首先可以改为 SSH 密钥登录，彻底抛弃明文密码，安全性拉满。其次可以增加定时任务，配合 crontab 实现每分钟自动巡检，持续监控集群状态。

进阶优化还可以接入钉钉、企业微信机器人，检测到异常机器自动推送告警消息，实现无人值守监控；同时可以将监控数据写入日志或 SQLite，实现简单的数据留存与趋势查看。

六、适用场景总结

这套自动化监控脚本非常适合中小型企业、个人开发者、小团队使用。不想部署笨重的监控系统、机器数量不多、追求轻量化运维方案的场景，用它完全够用。

相比于专业监控平台，它部署零成本、无需维护、开箱即用，相比于人工巡检，效率提升几十倍，彻底解决日常运维重复、枯燥、低效的问题。

七、写在最后

运维自动化的核心就是用代码替代重复人工操作。Python 在运维场景的优势真的无可替代，短短几十行代码，就能解决集群巡检、故障排查的核心痛点，实现一分钟批量排查整集群故障机器。

如果你的日常工作还在手动一台一台查服务器状态，非常建议把这套脚本部署到自己的运维环境中，极大减少无效工作量，让运维工作更轻松、更高效。