本文目录导读：
- 目录导读
- 引言：为什么需要监控CPU使用率？
- 核心原理：Python如何获取CPU使用率数据
- 实战一：基础版CPU监控脚本（使用psutil）
- 实战二：实时CPU监控与可视化（matplotlib + 循环）
- 实战三：多核CPU监控与异常告警（阈值触发 + 日志记录）
- 常见问题Q&A（附高频错误解决方案）
- 性能优化：如何降低监控脚本自身的CPU开销
- 总结与下一步建议
Python CPU监控实战：从零构建系统级CPU使用率监控工具
目录导读
- 引言：为什么需要监控CPU使用率？
- 核心原理：Python如何获取CPU使用率数据
- 基础版CPU监控脚本（使用psutil）
- 实时CPU监控与可视化（matplotlib + 循环）
- 多核CPU监控与异常告警（阈值触发 + 日志记录）
- 常见问题Q&A（附高频错误解决方案）
- 性能优化：如何降低监控脚本自身的CPU开销
- 总结与下一步建议
引言：为什么需要监控CPU使用率？
在现代服务器运维和应用程序开发中,CPU使用率是最核心的性能指标之一，高CPU使用率可能导致响应延迟、服务雪崩甚至系统崩溃，Python凭借其丰富的第三方库（如psutil、os、time），可以低成本实现跨平台的CPU监控，本文将基于官方文档和社区实践，从原理到代码，带你掌握三种不同层级的CPU监控方案。
核心原理：Python如何获取CPU使用率数据
操作系统通过/proc/stat（Linux）或GetSystemTimes（Windows）跟踪CPU时间片，Python的psutil库封装了这些底层调用，能够返回：
- 整体CPU使用率：单次调用
psutil.cpu_percent(interval=1)会阻塞1秒后返回均值 - 每个CPU核心的使用率：
psutil.cpu_percent(percpu=True) - 时间模式：
psutil.cpu_times()返回user、system、idle、iowait等细分数据
关键提醒：interval参数若为0，则返回瞬时值（通常不准确）；建议设为≥0.5秒以保证精度。
基础版CPU监控脚本（使用psutil）
适用场景：低频监控（如每5分钟记录一次）
import psutil
import time
def get_cpu_usage():
# 返回0-100的浮点数
return psutil.cpu_percent(interval=1)
if __name__ == "__main__":
while True:
cpu = get_cpu_usage()
print(f"当前CPU使用率: {cpu}%")
time.sleep(5) # 每5秒采集一次
优化说明：实际生产环境建议将数据写入CSV或数据库，而非直接打印，可添加datetime时间戳。
实时CPU监控与可视化（matplotlib + 循环）
适用场景：本地开发调试、性能压测的实时曲线观察
import psutil
import matplotlib.pyplot as plt
import matplotlib.animation as animation
def animate(i):
cpu = psutil.cpu_percent(interval=0.5)
data.append(cpu)
if len(data) > 50: # 保留最近50个点
data.pop(0)
ax.clear()
ax.plot(data, label='CPU %')
ax.legend(loc='upper right')
ax.set_ylim(0, 100)
data = []
fig, ax = plt.subplots()
ani = animation.FuncAnimation(fig, animate, interval=500)
plt.show()
注意：matplotlib的animation模式在Linux终端可能不兼容，建议在Jupyter或带有GUI的环境中运行。
多核CPU监控与异常告警（阈值触发 + 日志记录）
核心需求：实时监控所有CPU核心，当任一核心使用率超过80%时记录日志并发送告警。
import psutil
import logging
import time
logging.basicConfig(filename='cpu_alarm.log', level=logging.WARNING,
format='%(asctime)s - %(message)s')
def monitor_all_cores(threshold=80, check_interval=2):
while True:
per_core = psutil.cpu_percent(interval=1, percpu=True)
for idx, usage in enumerate(per_core):
if usage > threshold:
msg = f"CPU核心{idx} 使用率: {usage}% 超过阈值{threshold}%"
logging.warning(msg)
print(msg) # 可替换为邮件/短信接口
time.sleep(check_interval)
if __name__ == "__main__":
monitor_all_cores()
扩展功能：可结合smtplib发送邮件告警，或调用企业微信/钉钉Webhook。
常见问题Q&A（附高频错误解决方案）
Q1：为什么我的cpu_percent()第一次调用返回0？
A：因为psutil使用差值计算，第一次调用无历史数据，会返回0，建议第一次调用忽略其值，或设置interval参数。
Q2：如何在无网络环境下监控远程服务器的CPU？
A：可以采用两种方案：
- （方案A）在远程服务器部署上述Python脚本，通过
paramiko或fabric定期拉取数据文件 - （方案B）使用
netmiko通过SSH获取远程命令top的输出，但精度较低
Q3：监控脚本自身占用CPU过高怎么办？
A：将interval参数提高（如从0.5秒改为2秒），并且不要在循环中频繁创建新对象（如文件句柄），使用time.sleep()而非continous poll。
Q4：Windows系统下psutil安装失败？
A：请升级pip并安装VC++构建工具：
pip install --upgrade pip setuptools pip install psutil
若仍失败,下载对应Python版本的预编译wheel包。
性能优化：如何降低监控脚本自身的CPU开销
- 调整采样间隔：生产环境建议30秒~1分钟，避免频繁上下文切换
- 使用进程级监控：只监控目标进程的CPU（
p = psutil.Process(pid); p.cpu_percent(interval=1)） - 异步IO写入：将数据写入文件或数据库时使用
aiofiles或队列（queue.Queue） - 避免重复计算：一次采集后复用
cpu_times()、cpu_count()等函数
优化后的采集函数：
def efficient_collect():
cores = psutil.cpu_count()
usage = psutil.cpu_percent(interval=2, percpu=True)
return {"cores": cores, "usage": usage}
总结与下一步建议
通过本文的三个实战案例,你已经能实现：
- 基础单点CPU监控
- 实时可视化
- 多核阈值告警
延伸方向：
- 结合
sysstat（sar）或者Prometheus+Grafana构建企业级监控平台 - 使用
celery定时任务采集并存储到InfluxDB - 增加IO、内存、网络指标的联合监控（
psutil.net_io_counters()）
完整的监控方案不应仅依赖Python脚本,但在快速原型验证和小型项目中，Python+psutil是最灵活的组合。
注：本文所有代码已在Python 3.8+ / psutil 5.9版本下测试通过，如需部署到生产环境，建议使用supervisor或systemd守护进程。
