在系统运维与性能调优实践中，Python 生态圈提供了一套成熟的监控工具链，覆盖从基础资源采集到代码级深度分析，再到第三方集成方案，能够满足日常开发与线上排查的绝大多数需求。下面将逐一拆解这些核心能力，帮助您构建高效可靠的监控体系。
psutil：系统资源的“瑞士军刀”
psutil 是一款跨平台的 Python 库，可以轻松获取 CPU、内存、磁盘、网络以及进程信息，几乎所有 Python 监控脚本的起点都离不开它。安装只需一行命令 pip install psutil，然后通过 psutil.cpu_percent(interval=1) 获取 CPU 使用率，用 psutil.virtual_memory().percent 查看内存压力，用 psutil.disk_usage('/').percent 检查磁盘是否告急，甚至通过 psutil.process_iter(['pid', 'name']) 列出所有进程。简单直接，无需复杂配置。
代码性能分析与优化：找到真正的瓶颈
仅了解系统资源远远不够，很多时候性能瓶颈隐藏在代码内部。Python 内置了 cProfile，直接执行 import cProfile; cProfile.run("函数名()") 即可输出函数调用次数、总耗时和单次耗时，一眼就能定位哪个函数拖慢了速度。如果函数级粒度不够精细，需要精确到每一行代码的执行时间，可以使用 line_profiler。安装后为目标函数添加 @profile 装饰器，运行 kernprof -l -v 脚本.py，结果会清晰展示哪一行是“慢动作”。此外，内存泄漏也是常见问题，tracemalloc 是 Python 内置的内存跟踪器，调用 tracemalloc.start() 开始监控，tracemalloc.get_traced_memory() 随时查看当前内存占用，非常适合定位内存泄漏点。
第三方系统监控工具：开箱即用的可视化方案
如果不想从零搭建监控系统，社区已经提供了成熟的现成工具。Glances 基于 psutil 封装，支持终端动态刷新和 Web 界面（运行 glances -w），安装只需 sudo apt install glances 或 pip install glances，CPU、内存、磁盘、网络状态一目了然。dstat 是老牌的系统统计工具，可替代 vmstat、iostat 等命令，直接运行 dstat 即可查看实时变化，并支持模块化扩展。还有一个强大的工具 NetData，安装后通过 https://IP:19999 访问 Web 界面，不仅实时监控各项指标，还自带告警和历史数据查询功能，部署方式也很简单，使用 sudo apt install netdata 或 kickstart 脚本一键搞定。
日志监控与告警：从被动响应到主动发现
日志是系统运行状态的“黑匣子”，但依赖人工翻查日志效率低下且被动。可以使用 Python 的 inotify_simple 库监控日志文件变化，例如文件被修改时触发事件，然后读取新增内容。更完整的方案是结合 watchdog 监听文件变化，再配合 smtplib 发送邮件告警：编写一个 LogFileHandler 类继承 FileSystemEventHandler，重写 on_modified 方法，在日志文件被修改时读取最后 10 行，如果发现“ERROR”关键字则立即发送邮件通知。这样就能将潜在故障扼杀在萌芽状态。
集成到现有监控系统
大多数团队已经采用 Nagios、Zabbix、Prometheus 等成熟监控方案，Python 脚本完全可以作为插件嵌入其中。例如，Prometheus 通过 prometheus_client 库暴露自定义指标，Zabbix 则可以通过 Python 脚本采集数据后推送到 Zabbix Server。这种方式既保留了 Python 的灵活性，又能享受集中化监控的便利，实现两全其美的效果。
