Python实现系统性能监控：获取基础参数并写入文件全攻略

一、引言：系统性能监控的重要性

在系统运维、性能调优和故障排查场景中，实时获取系统基础性能参数是关键步骤。无论是服务器管理、开发环境调试还是数据分析，了解CPU使用率、内存占用、磁盘I/O和网络状态等指标，都能帮助开发者快速定位问题。Python凭借其丰富的标准库和第三方工具，成为实现这一需求的理想选择。本文将详细介绍如何通过Python获取系统基础性能参数，并将这些数据结构化写入文件，为后续分析提供基础。

二、核心性能参数解析与获取方法

1. CPU性能参数

CPU是系统的核心资源，其使用率直接反映系统负载。Python可通过psutil库（跨平台）或/proc/stat（Linux）获取CPU信息：

• 总使用率：通过psutil.cpu_percent(interval=1)计算1秒内的CPU占用百分比。
• 核心使用率：psutil.cpu_percent(percpu=True)返回每个逻辑核心的独立使用率。
• 上下文切换：Linux下可通过解析/proc/stat中的ctxt字段获取（需计算差值）。

代码示例：

import psutil
def get_cpu_info():
    cpu_percent = psutil.cpu_percent(interval=1)
    cpu_cores = psutil.cpu_percent(percpu=True)
    return {
        "total_usage": cpu_percent,
        "core_usages": cpu_cores
    }

2. 内存性能参数

内存使用情况影响系统响应速度，关键指标包括：

• 总内存/可用内存：psutil.virtual_memory()返回总内存、已用内存、可用内存等。
• 交换分区：psutil.swap_memory()获取交换分区使用情况。
• 缓存与缓冲区：通过psutil.virtual_memory().cached和.buffers获取。

代码示例：

def get_memory_info():
    mem = psutil.virtual_memory()
    swap = psutil.swap_memory()
    return {
        "total_memory": mem.total,
        "available_memory": mem.available,
        "used_memory": mem.used,
        "swap_used": swap.used
    }

3. 磁盘性能参数

磁盘I/O是性能瓶颈的常见来源，需监控：

• 磁盘使用率：psutil.disk_usage('/')获取根分区使用情况。
• 读写速度：通过psutil.disk_io_counters()获取累计读写字节数，结合时间差计算瞬时速度。
• 磁盘温度（需硬件支持）：可通过lm-sensors（Linux）或第三方库获取。

代码示例：

def get_disk_info():
    disk_usage = psutil.disk_usage('/')
    io_counters = psutil.disk_io_counters()
    return {
        "disk_used_percent": disk_usage.percent,
        "read_bytes": io_counters.read_bytes,
        "write_bytes": io_counters.write_bytes
    }

4. 网络性能参数

网络状态影响数据传输效率，关键指标包括：

• 带宽使用：psutil.net_io_counters()获取累计收发字节数。
• 连接数：psutil.net_connections()列出所有网络连接。
• 接口状态：通过socket或netifaces库获取。

代码示例：

def get_network_info():
    net_io = psutil.net_io_counters()
    connections = psutil.net_connections(kind='inet')
    return {
        "bytes_sent": net_io.bytes_sent,
        "bytes_recv": net_io.bytes_recv,
        "active_connections": len(connections)
    }

三、数据写入文件的实现策略

获取性能参数后，需将其结构化写入文件以便后续分析。常见格式包括CSV、JSON和数据库，以下分别介绍实现方法。

1. CSV格式写入

CSV适合表格型数据，易于用Excel或Pandas处理。使用Python内置的csv模块：

import csv
from datetime import datetime
def write_to_csv(data, filename="system_metrics.csv"):
    timestamp = datetime.now().isoformat()
    row = [timestamp] + [str(v) for v in data.values()]
    # 写入表头（首次运行时）
    write_header = not os.path.exists(filename)
    with open(filename, 'a', newline='') as f:
        writer = csv.writer(f)
        if write_header:
            header = ["timestamp"] + list(data.keys())
            writer.writerow(header)
        writer.writerow(row)

2. JSON格式写入

JSON适合嵌套数据，便于程序解析。使用json模块：

import json
def write_to_json(data, filename="system_metrics.json"):
    timestamp = datetime.now().isoformat()
    entry = {"timestamp": timestamp, "metrics": data}
    # 追加模式需读取原文件并合并
    if os.path.exists(filename):
        with open(filename, 'r') as f:
            existing_data = json.load(f)
    else:
        existing_data = []
    existing_data.append(entry)
    with open(filename, 'w') as f:
        json.dump(existing_data, f, indent=2)

3. 数据库写入（SQLite示例）

对于长期监控，数据库更高效。使用sqlite3模块：

import sqlite3
def init_db(db_path="system_metrics.db"):
    conn = sqlite3.connect(db_path)
    cursor = conn.cursor()
    cursor.execute('''
        CREATE TABLE IF NOT EXISTS metrics (
            id INTEGER PRIMARY KEY AUTOINCREMENT,
            timestamp TEXT NOT NULL,
            cpu_total REAL,
            memory_used INTEGER,
            disk_used_percent REAL,
            bytes_sent INTEGER
        )
    ''')
    conn.commit()
    conn.close()
def write_to_db(data, db_path="system_metrics.db"):
    timestamp = datetime.now().isoformat()
    conn = sqlite3.connect(db_path)
    cursor = conn.cursor()
    cursor.execute('''
        INSERT INTO metrics (timestamp, cpu_total, memory_used, disk_used_percent, bytes_sent)
        VALUES (?, ?, ?, ?, ?)
    ''', (
        timestamp,
        data.get("total_usage"),
        data.get("used_memory"),
        data.get("disk_used_percent"),
        data.get("bytes_sent")
    ))
    conn.commit()
    conn.close()

四、完整实现示例

结合上述方法，以下是一个完整的性能监控脚本：

import psutil
import os
import csv
import json
import sqlite3
from datetime import datetime
def collect_metrics():
    return {
        "cpu": get_cpu_info(),
        "memory": get_memory_info(),
        "disk": get_disk_info(),
        "network": get_network_info()
    }
def main():
    # 初始化数据库
    init_db()
    # 收集数据
    metrics = collect_metrics()
    flat_metrics = {
        "total_usage": metrics["cpu"]["total_usage"],
        "used_memory": metrics["memory"]["used_memory"],
        "disk_used_percent": metrics["disk"]["disk_used_percent"],
        "bytes_sent": metrics["network"]["bytes_sent"]
    }
    # 写入CSV
    write_to_csv(flat_metrics)
    # 写入JSON
    write_to_json(metrics)
    # 写入数据库
    write_to_db(flat_metrics)
if __name__ == "__main__":
    main()

五、优化建议与注意事项

1. 性能影响：频繁采集（如每秒一次）可能增加系统负载，建议根据需求调整间隔。
2. 跨平台兼容性：psutil支持Windows/Linux/macOS，但部分指标（如磁盘温度）需平台特定库。
3. 错误处理：添加异常捕获（如psutil.AccessDenied）以提高健壮性。
4. 数据可视化：可将CSV/JSON导入Pandas或Grafana进行可视化分析。
5. 安全考虑：避免在共享环境中记录敏感信息（如网络连接详情）。

六、总结与扩展应用

通过Python获取系统性能参数并写入文件，可构建轻量级监控系统。进一步扩展方向包括：

• 添加告警机制（如CPU超过90%时发送邮件）。
• 集成Prometheus或InfluxDB实现时序数据库存储。
• 开发Web界面实时展示性能数据。

本文提供的代码和策略可直接应用于服务器监控、性能基准测试等场景，为开发者提供高效、灵活的解决方案。