
网站挂掉这件事,绝大多数站长都是被别人告知的。用户在群里发一句"你站打不开了",或者朋友打电话来说"你的网站是不是有问题",你才知道。这时候往往已经挂了几小时,搜索引擎蜘蛛来抓了一圈全是错误,收录掉了,排名掉了,损失已经发生。这个场景完全可以避免,因为监控这件事的技术门槛极低,成本几乎为零,一个人也能配得起来。这篇文章把该监控什么、用什么工具、告警发到哪里、以及常见的坑讲一遍,照着配下来一两个小时能搞定。
先说监控什么,这一块要先想清楚,因为不是所有监控都值得做。第一优先是可用性,也就是站能不能正常打开。这是最基础的,也是最重要的,判断标准是访问首页返回正常状态码并且页面内容符合预期。第二是响应时间,站能打开但每次要五秒,用户体验和SEO都受影响,这类问题不会触发可用性告警,但必须监控。第三是证书和域名到期,这两样是典型的"平时没事,一到期全站崩"的问题。SSL 证书过期,浏览器直接拦截,用户根本进不来;域名到期,解析失效,等于站没了。这两项必须提前三十天开始提醒。第四是服务器资源,CPU、内存、磁盘、带宽。磁盘满了会导致数据库写不进去、日志写不进去、网站直接报错,这是最常见的挂站原因之一。第五是数据库可用性,很多站的PHP还活着但数据库连不上,表现出来就是空白页或者五零几。第六是证书链和 DNS 解析是否正常,这个可以放到低优先级。
再说用什么工具,按投入分三档。最低档是免费的在线监控服务,配置极其简单:注册、填网址、设检查间隔,完事。这类服务通常提供一到五分钟一次的检测频率,从全球多个节点发起,能区分是"你这边网络问题"还是"站真的挂了"。免费版一般支持十几个监控项,对个人站完全够用。优点是零成本、零维护、不占服务器资源,缺点是你依赖别人的服务,而且它的检测节点在境外,对国内站来说可能因为跨境链路抖动产生误报。中档是自建监控,在一台小机器上跑一个开源监控程序,能监控更多指标、能自定义告警规则、数据在自己手上,缺点是要自己维护,而且如果监控机和被监控的站在同一个机房,机房整体故障时监控也跟着挂,起不到作用。高档是商业监控服务,功能全、有专人值守、支持电话告警,年费不便宜,个人站一般用不上。
我的推荐是组合使用:在线服务监控外部可用性(从站外看你的站是否正常),服务器上装一个轻量的资源监控(观察 CPU、内存、磁盘、进程),两者互补。在线服务解决"站是否对外可用",本地监控解决"服务器内部发生了什么",缺一不可。很多人的监控只做了前一半,结果站能打开但慢得要命,因为数据库连接数打满了,这类问题外部监控看不出来。
接下来是告警通道,这一环最容易被做废。技术上都配好了,告警发到邮箱,然后你三个月不看邮箱,等于没配。告警必须发到你天天看的地方。几个选项按及时性排序:电话和短信最及时但通常要付费;即时通讯工具(比如各类机器人推送到群里)免费且及时,是目前最实用的选择;邮件最便宜但最容易被忽略;应用内推送适合有自己管理后台的情况。个人站的推荐是即时通讯机器人为主、邮件为辅,机器人负责即时提醒,邮件负责留档。配置的时候注意一件事:告警要分级。严重故障(站打不开、数据库连不上)走即时通道,次要问题(磁盘用到八成、响应变慢)走邮件,否则所有告警混在一起,你会逐渐麻木。
然后是几个必须知道的坑。第一个坑是监控目标单一。很多人只监控首页,但首页可能有缓存,缓存命中时首页是正常的,而实际的动态页面已经挂了。正确做法是监控两三个关键地址:首页、一个动态生成的页面(比如某篇文章页)、一个接口地址(如果站有接口)。三个都正常才算真的正常。第二个坑是没有区分故障类型。站返回五零三可能是因为你在重启服务,持续三十秒就恢复了;也可能是真的挂了。如果监控的判定阈值太敏感,每次重启都告警,你会被误报搞烦,最后把告警关了。合理的设置是连续两次检测失败才告警,中间留一点容忍。第三个坑是告警风暴。服务器出问题时可能同时触发十几条告警,手机被刷屏。解决方式是设置告警聚合,同类问题在短时间内只发一条,或者按严重程度分层。
第四个坑是监控节点本身受限。如果你用的是境外监控服务,而你的站在国内,那么监控节点访问你的站走的是跨境链路,链路抖动会被误判成站点故障。这个误报的比例不低,尤其是晚高峰。解决办法是用国内节点的监控服务,或者同时在国内外各配一个监控,两个都报故障才算真故障。第五个坑是忽略了域名和证书的监控。这两项不会突然出问题,但一旦出就是全站级别的故障,而且很多人根本不监控它们。域名到期前一个月、证书到期前三十天,都应该有提醒。这类提醒可以直接在域名注册商和证书签发商那里设置,不需要额外工具。
最后说一个心态问题:监控的目的不是让你看到多少告警,是让你在用户之前知道问题。所以配完监控之后,要做一次实测。故意把服务停掉,看告警多久能到;故意把磁盘写满,看资源监控有没有反应;故意让证书失效(在测试环境),看提醒会不会来。这个演练很关键,因为很多人的监控配了半年,真出事的时候发现告警邮箱填错了、机器人 token 过期了、告警规则根本没生效。演练一次,这些问题全暴露,比事后懊悔强得多。
