Python 自动化脚本实战：系统监控、备份与任务调度

环境与依赖准备

基础运行环境需支持 Python 3.8 及以上版本，以兼容文件复制时的新特性。涉及网络探测、性能采集与数据运算需预先通过包管理器安装：pip install requests pandas psutil schedule。邮件发送功能属于业务逻辑层，实际部署前需向服务商申请独立的 SMTP 端口、授权密码或 App Key。

第1步：实现文件与目录自动备份

目的：将源目录及其子树完整同步至目标位置，适用于日志归档或重要资料定期快照。

import shutil
import os

source_folder = '/path/to/source'
destination_folder = '/path/to/destination'

def backup_folder(src, dst):
    if not os.path.exists(dst):
        os.makedirs(dst)
    for item in os.listdir(src):
        s = os.path.join(src, item)
        d = os.path.join(dst, item)
        if os.path.isdir(s):
            # dirs_exist_ok=True 避免覆盖已存在文件夹时中断
            shutil.copytree(s, d, dirs_exist_ok=True)
        else:
            shutil.copy2(s, d)

backup_folder(source_folder, destination_folder)

完成判断：脚本执行完毕无回溯堆栈，目标路径下文件数量、目录层级与原址一致，且修改时间与访问元数据保持同步。

第2步：编写系统资源监控告警

目的：抓取主机 CPU 瞬时负载，突破阈值时触发通知通道。

import psutil
# import smtplib ... # 邮件发送需补充完整凭证逻辑

def check_cpu_usage():
    cpu_percent = psutil.cpu_percent(interval=1)
    if cpu_percent > 80:
        print(f"⚠️ CPU Usage High: {cpu_percent}%")
        # send_alert(f"CPU Usage High: {cpu_percent}%")

check_cpu_usage()

完成判断：终端打印当前采样占比。超过 80% 时输出告警标识。生产环境请将预留的邮件函数接入真实 SMTP 客户端（包含发件箱域名校验、SSL 握手与附件流写入）。

第3步：执行网络连通性巡检

目的：轮询指定端点的 HTTP 响应，用于外部接口或 CDN 健康度排查。

import requests

def check_website(url):
    try:
        response = requests.get(url, timeout=10)
        response.raise_for_status()
        print(f"✅ {url} is up.")
    except requests.RequestException as e:
        print(f"❌ {url} is down: {e}")

check_website("http://example.com")

完成判断：状态码落在 200~299 区间时记录上线日志；遭遇 DNS 解析失败、连接超时或服务端 4xx/5xx 错误时，统一捕获 RequestException 并输出诊断信息。

第4步：调用包管理器自动部署软件

目的：借助 Python 封装底层 Shell 指令，实现研发环境的批量初始化。

import subprocess

def install_git():
    # 刷新本地软件源缓存
    subprocess.run(['sudo', 'apt-get', 'update'], check=True)
    # 自动应答式安装 git 及关联依赖
    subprocess.run(['sudo', 'apt-get', '-y', 'install', 'git'], check=True)

install_git()

完成判断：子进程返回码为 0 且未抛 CalledProcessError，可在终端执行 git --version 确认可执行文件已注册至系统 PATH。

第5步：自动化 CSV 数据处理

目的：解析二维表格结构，计算描述性统计量，为报表导出或模型训练提供清洗后数据集。

import pandas as pd

def process_csv(file_path):
    df = pd.read_csv(file_path)
    # 逐列输出计数、均值、标准差、分位数与极值
    summary = df.describe()
    print(summary)
    # summary.to_parquet('analysis_output.parquet')

process_csv('data.csv')

完成判断：控制台渲染对齐的数值矩阵。若原始表头混入文本字段，describe() 会自动降级显示，需依据业务词典提前执行类型转换或空值填充。

第6步：配置周期任务调度

目的：维持单一线程按固定间隔重放回调逻辑，适合作为独立守护进程驻留内存。

import schedule
import time

def job():
    print("🕒 Scheduled task executed successfully!")

schedule.every(10).seconds.do(job)

print("🟢 Scheduler started. Press Ctrl+C to stop.")
while True:
    schedule.run_pending()
    time.sleep(1)

完成判断：主循环每秒扫面一次待办队列，命中时间窗口即触发 job()。安全终止方式为发送 SIGINT（Ctrl + C）释放 GIL 锁。

运行排错与优化建议

上述片段已覆盖文件系统镜像、硬件探针采集、接口拨测、环境装配、数据计算与进程控制六大核心链路。落地企业级管线时，建议将绝对路径与密钥抽离至 .env 配置中心，全面替换 print 调用并接入 logging.handlers.RotatingFileHandler 以便日志轮转。针对长周期运行的调度器，官方更推荐使用操作系统原生定时器（Linux systemd.timer 或 cron.d），可获得信号拦截、资源配额管控与重启自愈能力，彻底规避 Python 进程意外挂死导致的任务丢失。

以上就是基于 Python 构建系统级自动化脚本的详细内容，更多关于 Python 运维开发与批量处理技巧的资料请关注本站其它相关文章！