星图导航
首页 文章 排行榜 申请收录 友链申请 关于
首页 / 文章资讯 / 源码资源 / 给站点加一个健康检查页:自己先知道挂了

给站点加一个健康检查页:自己先知道挂了

星图导航配图

网站挂了,第一个知道的通常是用户。用户打不开就走了,不会告诉你。等你发现的时候,可能已经挂了两小时。加一个健康检查页,能让这件事从被动变主动,成本很低,收益很直接。

健康检查页要回答什么

它的核心问题只有一个:这个站现在能不能正常提供服务。围绕这个问题,需要检查几个层面:Web 服务是否在响应、程序是否正常执行、数据库是否连得上、缓存是否可用、磁盘是否还有空间。

这五项里任何一项出问题,网站都可能表现为打不开或者功能异常。所以健康检查页不是返回一个固定的正常,而是真的去检查这几项,然后汇总一个结论。

输出形式可以极简,一个状态字加各分项结果。给监控系统看的时候要能机器解析,给自己看的时候要能一眼看出哪一项红了。

不要在这个页面上放任何敏感信息。数据库地址、版本号、服务器路径、组件版本,这些都不该暴露。检查项只输出通过或失败,不输出细节。

别把检查页做成攻击入口

健康检查页天然是个信息泄露点。如果它把数据库连接串、环境变量、服务器信息都打出来,等于给攻击者做了一份情报报告。

几条基本防护。第一,只输出状态,不输出配置。第二,加访问限制,要么限制来源地址,要么加一个足够长的随机路径或密钥,别让人随便访问。第三,不要在被检查的服务本身出问题时还返回详细信息,那时候应该只返回一个失败。

路径也不要太明显。放在一个不可猜的路径下,比放在健康检查这种一看就有的路径更安全。搜索引擎也要挡住,别让它抓取这个页面。

还有一条:这个页面不要写日志到公开可访问的地方。它会被频繁访问,日志量不小,而且里面可能带访问来源信息。

检查项的具体做法

Web 服务层面,能返回这个页面本身就说明服务在跑。但要区分是不是正常跑,还是返回了一个缓存的错误页。可以在页面里带一个服务启动时间或者随机数,避免被缓存欺骗。

程序层面,可以做一个轻量的自检,比如读一次配置、算一个简单结果。确认代码执行链路没有断。不要做重操作,健康检查会被高频调用,重操作会变成负担。

数据库层面,执行一条最简单的查询,比如查一个固定值或者查版本。能返回就说明连接正常。要设超时,比如两秒,避免数据库慢的时候这个页面一直挂着。

缓存层面,写入一个键再读出来,确认读写都通。如果缓存挂了但网站还能降级运行,这一项可以标为警告而不是失败。

磁盘层面,检查剩余空间百分比。低于阈值报警。这一项要特别注意,磁盘满了会导致一连串问题,而且往往是最晚被发现的。

区分致命和降级

不是所有失败都一样严重。数据库连不上是致命的,网站基本没法用。缓存不可用可能只是变慢,网站还能跑。某个第三方接口超时,可能只影响一个次要功能。

所以健康检查的结论不该只有正常和异常两态,应该有三级:正常、降级、异常。降级表示核心可用但有功能受损,异常表示核心不可用。

分级的好处是告警策略能匹配。异常立刻告警,降级攒够一定时间或者一定次数再告警,避免半夜被不重要的警告吵醒,也避免真正的问题被噪音淹没。

每个检查项都要标注它属于哪个级别。这个映射关系要写下来,不要凭感觉判断,不然随着检查项增加,判断会越来越混乱。

接上监控才算完成

健康检查页自己不会告警。它需要一个外部的东西定时访问它,发现不对就通知你。这是整件事的关键一环,没有这一环,健康检查页只是个摆设。

最简单的方式是外部监控服务,配置一个定时请求,检查状态码和返回内容里的状态字段,不匹配就发通知。也可以用另一台服务器上的定时任务跑,避免和被监控的机器一起挂掉。

关键点在于监控方不能和被监控方在同一台机器上。同机监控在整机故障时一起失效,等于没有监控。至少要有一台外部机器或者外部服务来做这件事。

通知渠道选你能及时看到的。邮件容易漏,短信有成本,即时通讯机器人在小站场景里是最实用的选择。配好之后一定要做一次真实触发测试,确认通知真的能收到。

多久检查一次

频率取决于你能容忍多长的故障时间。五分钟一次意味着最长五分钟能发现,加上处理时间,可能十几分钟才能恢复。一分钟一次发现更快,但请求量变大,日志也变多。

大多数小站五分钟到十分钟一次是合适的。关键业务可以做到一分钟。不要做到几十秒一次,那对自己的服务器也是一种压力,而且多数故障不是几十秒内能处理的。

还要考虑误报。网络抖动会导致单次检查失败,如果立刻告警,会半夜被吵醒很多次。所以设一个连续失败次数阈值,比如连续三次失败才告警,能过滤掉大部分抖动。

同时记录检查历史。哪些时段容易失败、哪些检查项最常出问题,这些数据能帮你找到站点的薄弱环节,比单纯告警更有价值。

把它变成站点运维的日常

有了健康检查页,运维就从等着出事变成定期看状态。每天扫一眼历史记录,看有没有反复出现的降级,有没有磁盘快满的预警。这些信号在变成故障之前处理,成本低得多。

还可以把检查结果做成一个简单的趋势图。可用率、平均响应时间、错误次数,三条曲线放在一起看,站点的健康状态一目了然。

最后一点提醒:健康检查页是发现问题的工具,不是解决问题的工具。它能让你早知道,但该修的还是得修。别把告警当成了工作本身,收到通知之后的处理才是关键。

整套做下来,一个健康检查页加上一个外部定时请求加上一个通知渠道,三样东西半天能搞定。它带来的价值是让你从用户告诉你网站挂了,变成你自己先知道。这个转变对站点运营的意义很大。