企业官网建设流程全解析

简介：本资源是一套面向树莓派初学者与课程设计/毕业设计实践者的轻量级系统监控方案，聚焦CPU温度与内存使用率两大核心指标的实时采集与可视化展示。项目基于Flask框架构建Web服务，通过Python脚本读取系统传感器数据，结合CanvasJS图表库实现动态HTML页面渲染，兼顾功能性与教学可读性。压缩包共16个文件（672KB），含4个核心Python脚本（数据采集与Web服务）、4个HTML前端页面、3个JavaScript图表依赖库、1个启动Shell脚本及README说明文档等，结构清晰、模块解耦，便于理解嵌入式Linux系统监控的完整链路。目前已有153人学习下载，读者可直接部署运行，获得可扩展的监控原型、完整的前后端代码结构、GPIO无关的纯软件监控思路，以及适配Raspberry Pi OS的实测配置经验。

1. 项目概述与核心价值

最近在折腾我的树莓派4B，把它当作家里的轻量级服务器，跑着几个docker容器和自建的服务。用了一阵子发现，这小家伙在负载高的时候，外壳摸起来有点烫手。虽然树莓派设计上挺耐热的，但长期高温运行总归会影响芯片寿命和系统稳定性，尤其是夏天，心里更没底。光靠手摸肯定不行，我需要一个能实时、准确掌握系统状态的方法，特别是CPU温度和内存使用率这两个核心指标。这不仅仅是看个数字那么简单，更重要的是能设置预警，在系统“发烧”或者内存快被“吃光”之前，主动通知我，好及时干预，防止服务卡死或者硬件损伤。

这个“树莓派系统监控”项目，就是来解决这个实际痛点的。它的核心目标很明确：在树莓派上搭建一个轻量级、可视化、可预警的系统监控方案，重点监控CPU温度和内存使用情况。对于任何把树莓派用作长期运行设备的玩家——无论是做家庭服务器、NAS、智能家居中枢，还是跑一些自动化脚本——这套监控都像是给设备装上了“仪表盘”和“警报器”。你不用再担心它默默过热死机，或者因为内存泄漏导致服务异常。通过一些简单的脚本和工具组合，你就能清晰地看到系统的实时状态和历史趋势，真正做到心中有数，运维不慌。

2. 监控方案设计与工具选型

要实现监控，首先得确定数据从哪里来、怎么展示、如何告警。树莓派作为Linux系统，其硬件和系统状态信息都暴露在特定的文件接口中，这是我们获取原始数据的基础。

2.1 数据采集层：系统接口与命令

对于CPU温度，树莓派非常贴心地将传感器数据直接放在了/sys/class/thermal/thermal_zone0/temp这个文件里。你只需要用cat命令读取它，得到的是一个以毫摄氏度（millidegree Celsius）为单位的整数，除以1000就是摄氏度。这是最直接、最可靠的方法。

内存信息则可以通过free命令来获取。我们通常关注的是已用内存占总内存的百分比。通过解析free -m（以MB为单位显示）的输出，可以计算出使用率。另一个更全面的工具是vmstat或top，但对于脚本化采集，free命令更加简洁。

注意：有些教程可能会提到使用vcgencmd measure_temp命令来获取温度，这个命令确实更直观，但它依赖于vcgencmd这个VideoCore GPU相关的工具。在部分精简版系统或容器环境中，这个命令可能不可用。而/sys/class/thermal/下的接口是Linux内核标准的thermal子系统提供的，通用性更强，因此作为首选方案。

2.2 可视化与存储层：轻量级方案选择

拿到数据后，我们需要把它存下来并展示成图表。对于树莓派这种资源有限的设备，重型监控系统如Zabbix、Prometheus（虽然“普罗米修斯部署”是热词，但它对资源有一定要求）可能有点杀鸡用牛刀。我们需要更轻量的选择。

一个经典的组合是InfluxDB + Grafana。InfluxDB是专门为时间序列数据设计的数据库，写入和查询效率极高，非常适合存储每秒采集一次的监控指标。Grafana则是强大的可视化仪表盘工具，能从InfluxDB中读取数据并绘制成精美的曲线图、仪表盘。这个组合功能强大，但需要在树莓派上安装并运行两个服务，对内存有一定占用（大约200-300MB）。

如果你追求极致轻量，或者只是想快速验证，可以选用更简单的方案：

1. 纯文本日志 + 简易脚本绘图：用Python脚本将采集到的时间、温度、内存数据追加写入一个CSV文件。然后使用Python的matplotlib库定期（比如每天）生成一次趋势图。这种方式几乎没有额外开销，但实时性和交互性较差。
2. 使用rrdtool：这是一个非常经典且高效的时间序列数据库和绘图工具，很多老牌网络设备都用它。它占用资源极小，但配置和绘图语法有一定学习成本。

考虑到功能的完整性和学习的普适性，本项目将采用InfluxDB + Grafana作为核心方案。它虽然比最简方案重一些，但能为后续监控其他指标（如CPU负载、磁盘空间、网络流量）提供强大的扩展能力，其告警功能也更为完善。

2.3 告警通知层：及时触达

监控的价值一半在于预警。Grafana自身在新版本中集成了强大的告警引擎，可以配置当某个指标（如温度连续5分钟超过70度）达到阈值时，触发告警。告警渠道可以配置成电子邮件、Slack、Webhook等。

对于国内用户，一个更接地气的选择是集成钉钉（DingTalk）或企业微信的机器人。通过配置Grafana的Webhook告警通道，将告警信息发送到这些机器人的API，就能在手机工作群里收到提醒，非常方便。如果不想依赖Grafana，也可以用Python写一个简单的守护进程，读取InfluxDB的数据，判断阈值，然后直接调用这些机器人的接口发送消息。

3. 核心组件部署与配置实操

接下来，我们一步步把整个系统搭建起来。我的环境是树莓派4B 4GB版，系统是 Raspberry Pi OS Lite（基于Debian的64位版本）。

3.1 安装InfluxDB时序数据库

InfluxDB 2.x 版本将数据库和Web UI整合在了一起，但资源消耗相对1.x版本更大。对于树莓派，我推荐安装InfluxDB 1.8这个稳定、轻量的版本，它的管理主要通过配置文件和使用HTTP API。

首先，添加InfluxData的APT仓库并安装：

# 导入GPG密钥 wget -q https://repos.influxdata.com/influxdb.key sudo apt-key add influxdb.key # 添加仓库 (适用于Debian Buster/Bullseye) echo "deb https://repos.influxdata.com/debian $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/influxdb.list # 更新并安装 sudo apt update sudo apt install influxdb

安装完成后，启动服务并设置为开机自启：

sudo systemctl unmask influxdb sudo systemctl enable influxdb sudo systemctl start influxdb

检查服务状态和版本：

sudo systemctl status influxdb influx -version

默认情况下，InfluxDB 1.8 的HTTP API运行在8086端口，管理界面（如果安装）在8083端口。我们需要创建一个数据库来存储监控数据：

# 连接到InfluxDB命令行 influx # 创建名为 `pimon` 的数据库 CREATE DATABASE pimon # 查看数据库列表 SHOW DATABASES # 退出 exit

3.2 安装Grafana可视化仪表盘

Grafana的安装同样通过APT仓库进行：

# 安装必要的依赖 sudo apt install -y software-properties-common wget # 导入GPG密钥 wget -q -O - https://packages.grafana.com/gpg.key | sudo apt-key add - # 添加稳定版仓库 echo "deb https://packages.grafana.com/oss/deb stable main" | sudo tee /etc/apt/sources.list.d/grafana.list sudo apt update sudo apt install grafana

启动并启用Grafana服务：

sudo systemctl enable grafana-server sudo systemctl start grafana-server

Grafana默认运行在3000端口。在电脑浏览器上打开http://你的树莓派IP:3000，首次登录使用默认账号admin和密码admin，会强制要求修改密码。

3.3 配置数据采集脚本

这是整个系统的“传感器”。我们将编写一个Python脚本，定期读取系统状态并写入InfluxDB。

首先，安装必要的Python库。InfluxDB 1.8 使用一个叫influxdb的客户端库。

sudo apt install python3-pip pip3 install influxdb psutil

这里引入了psutil库，它是一个跨平台的系统信息库，能非常优雅地获取内存、CPU等信息，比直接解析free命令更可靠。

创建采集脚本monitor.py：

#!/usr/bin/env python3 import time import psutil from influxdb import InfluxDBClient # InfluxDB 连接配置 INFLUXDB_HOST = 'localhost' INFLUXDB_PORT = 8086 INFLUXDB_DATABASE = 'pimon' # 初始化InfluxDB客户端 client = InfluxDBClient(host=INFLUXDB_HOST, port=INFLUXDB_PORT, database=INFLUXDB_DATABASE) def get_cpu_temperature(): """从系统文件读取CPU温度（摄氏度）""" try: with open('/sys/class/thermal/thermal_zone0/temp', 'r') as f: temp = int(f.read().strip()) / 1000.0 return temp except Exception as e: print(f"读取温度失败: {e}") return None def get_memory_usage(): """使用psutil获取内存使用率（百分比）""" mem = psutil.virtual_memory() return mem.percent def collect_and_send(): """收集数据并发送到InfluxDB""" cpu_temp = get_cpu_temperature() mem_usage = get_memory_usage() if cpu_temp is None: return # 构建InfluxDB数据点 # measurement 类似于表名，tags是索引字段，fields是存储的数值字段，time是时间戳 json_body = [ { "measurement": "system_status", "tags": { "host": "raspberrypi" }, "fields": { "cpu_temp": cpu_temp, "mem_usage": mem_usage } } ] try: client.write_points(json_body) print(f"[{time.strftime('%Y-%m-%d %H:%M:%S')}] 数据写入成功: Temp={cpu_temp:.1f}C, Mem={mem_usage:.1f}%") except Exception as e: print(f"写入InfluxDB失败: {e}") if __name__ == '__main__': # 每10秒采集一次数据 while True: collect_and_send() time.sleep(10)

给脚本执行权限并测试：

chmod +x monitor.py python3 monitor.py

如果看到成功写入的日志，说明脚本和InfluxDB连接正常。按Ctrl+C停止测试。

3.4 配置系统服务与自动化

我们不可能一直手动运行这个脚本。需要把它配置成系统服务（systemd service），让它开机自启并在后台稳定运行。

创建服务文件/etc/systemd/system/pimon.service：

[Unit] Description=Raspberry Pi System Monitor Daemon After=network.target influxdb.service [Service] Type=simple User=pi ExecStart=/usr/bin/python3 /home/pi/monitor.py Restart=on-failure RestartSec=10 [Install] WantedBy=multi-user.target

启用并启动服务：

sudo systemctl daemon-reload sudo systemctl enable pimon.service sudo systemctl start pimon.service sudo systemctl status pimon.service

现在，数据采集器就在后台默默工作了。你可以通过journalctl -u pimon.service -f命令实时查看它的日志。

4. Grafana仪表盘配置与告警设置

数据已经源源不断地存入InfluxDB，现在是时候用Grafana把它变成直观的图表了。

4.1 添加InfluxDB数据源

1. 登录Grafana（http://树莓派IP:3000）。
2. 点击左侧齿轮图标 ->Data Sources->Add data source。
3. 选择InfluxDB。
4. 配置连接参数：
   • HTTP->URL:http://localhost:8086
   • InfluxDB Details->Database:pimon
   • （InfluxDB 1.8不需要配置用户名密码，除非你额外设置了认证）
5. 点击Save & Test，应该显示“Data source is working”的成功提示。

4.2 创建监控仪表盘

1. 点击左侧加号图标 ->Dashboard->Add new panel。
2. 在Query选项卡中，数据源选择刚添加的InfluxDB。
3. 构建查询语句来获取CPU温度：
   • 在查询编辑器里（如果显示的是Flux查询语言，点击切换成InfluxQL），输入：

     SELECT mean("cpu_temp") FROM "system_status" WHERE $timeFilter GROUP BY time($__interval) fill(null)

   • 这个查询的意思是：在选定的时间范围内，按Grafana自动计算的时间间隔（$__interval）分组，计算每个时间段内cpu_temp的平均值。
4. 在右侧Panel options中，给图表起个标题，比如CPU Temperature。
5. 可以调整图表的样式，比如将Visualization改为Graph，在Axes里设置单位为Celsius，在Legend中设置显示Min、Max、Avg值。
6. 点击右上角的Apply保存这个图表到仪表盘。

用同样的方法，再添加一个面板来显示内存使用率：

• 查询语句：

  SELECT mean("mem_usage") FROM "system_status" WHERE $timeFilter GROUP BY time($__interval) fill(null)

• 标题设为Memory Usage，单位设置为percent (0-100)。

你还可以添加一些Stat（统计值）面板，显示当前最新的温度和内存值，这样一目了然。最终，一个包含曲线图和实时数值的监控仪表盘就完成了。别忘了点击仪表盘顶部的Save图标，给仪表盘起个名字，比如RPi System Monitor。

4.3 配置告警规则

我们希望当温度持续过高时收到通知。这里以配置一个邮件告警为例（前提是你的树莓派已经配置好了邮件发送功能，如使用SSMTP或外部SMTP服务）。更实用的可能是配置Webhook告警到钉钉。

1. 在刚才创建的CPU Temperature图表上，点击标题 ->Edit。
2. 切换到Alert选项卡，点击Create alert rule from this panel。
3. 设置告警条件：
   • Rule name:High CPU Temperature
   • Evaluate every:1m（每分钟评估一次）
   • For:5m（持续5分钟满足条件才触发）
   • 在Conditions部分，设置WHEN avg() OF query(A, 1m, now) IS ABOVE 70。意思是：当查询A（即我们的温度查询）在最近1分钟内的平均值高于70摄氏度时触发。
4. 设置通知渠道：
   • 首先需要配置通知渠道。点击左侧铃铛图标 ->Notification channels->Add channel。
   • 选择Email，填写你的SMTP服务器设置和收件地址，保存。
   • 回到告警规则编辑页面，在Notifications部分，选择你刚创建的邮件通知渠道，并填写告警信息。
5. 保存告警规则。

这样，当树莓派CPU温度持续5分钟超过70度，Grafana就会自动发送邮件给你。对于内存告警，可以类似地设置一个阈值，比如当内存使用率持续高于90%时触发。

实操心得：告警的“Evaluate every”和“For”参数需要根据实际情况调整。评估间隔太短（如10秒）会给系统带来不必要的查询压力；For的时间太短（如0）会导致指标短暂波动就触发告警，产生“狼来了”的效果。对于温度监控，设置为1分钟评估，持续2-5分钟触发，是一个比较合理的起点，能有效过滤掉瞬时高负载引起的短暂温升。

5. 进阶优化与深度监控

基础监控搭建完成后，我们可以进一步优化和扩展，让监控系统更强大、更省资源。

5.1 采集脚本优化与多指标扩展

最初的脚本每10秒写入一次数据，对于长期运行来说，会产生大量的数据点。我们可以做两点优化：

1. 降低采集频率：对于温度和内存，30秒甚至1分钟采集一次完全足够。修改脚本中的time.sleep(10)为time.sleep(30)。
2. 批量写入：influxdb客户端支持批量写入多个数据点，能减少HTTP请求开销。我们可以将采集间隔内获取的多个指标一次性发送。

同时，扩展监控指标也非常简单。利用psutil库，我们可以轻松添加：

• CPU使用率：psutil.cpu_percent(interval=1)
• 磁盘使用率：psutil.disk_usage('/').percent（监控根分区）
• 负载平均值：os.getloadavg()[0]（1分钟负载）
• 网络流量：psutil.net_io_counters()可以获取发送/接收的字节数，通过计算差值得到速率。

修改后的collect_and_send函数示例：

def collect_and_send(): """收集多项系统数据并发送到InfluxDB""" json_body = [] timestamp = int(time.time() * 1e9) # InfluxDB需要纳秒时间戳 # 1. CPU温度 cpu_temp = get_cpu_temp() if cpu_temp is not None: json_body.append({ "measurement": "system_status", "tags": {"host": "raspberrypi", "type": "temperature"}, "fields": {"value": cpu_temp}, "time": timestamp }) # 2. 内存使用率 mem = psutil.virtual_memory() json_body.append({ "measurement": "system_status", "tags": {"host": "raspberrypi", "type": "memory_usage"}, "fields": {"value": mem.percent}, "time": timestamp }) # 3. CPU使用率 cpu_percent = psutil.cpu_percent(interval=None) # interval=None表示非阻塞获取瞬时值 json_body.append({ "measurement": "system_status", "tags": {"host": "raspberrypi", "type": "cpu_usage"}, "fields": {"value": cpu_percent}, "time": timestamp }) # 4. 磁盘使用率 (根分区) disk = psutil.disk_usage('/') json_body.append({ "measurement": "system_status", "tags": {"host": "raspberrypi", "type": "disk_usage"}, "fields": {"value": disk.percent}, "time": timestamp }) # 批量写入 if json_body: try: client.write_points(json_body) print(f"[{time.strftime('%H:%M:%S')}] 写入 {len(json_body)} 个数据点") except Exception as e: print(f"写入失败: {e}")

这种设计将不同类型的指标都存入system_status这个 measurement，但用type这个tag来区分。在Grafana查询时，可以使用WHERE "type" = 'cpu_temp'来筛选特定指标，非常灵活。

5.2 InfluxDB数据保留策略与降采样

时间序列数据会无限增长，必须管理。InfluxDB使用保留策略（Retention Policy, RP）来定义数据保存多久。默认的RP是autogen，永久保存。我们需要为监控数据设置一个合理的保留策略。

连接到InfluxDB命令行：

influx

创建新的保留策略，例如保留30天的原始数据：

-- 在 pimon 数据库创建名为 rp_30days 的策略，数据保留30天，副本数为1（单机部署） CREATE RETENTION POLICY "rp_30days" ON "pimon" DURATION 30d REPLICATION 1 DEFAULT

这条命令创建了一个新的RPrp_30days并将其设置为数据库pimon的默认策略。之后写入的数据都会遵循这个策略，30天前的数据会被自动清理。

对于更长期的历史趋势查看（比如看过去一年的月度平均温度），我们可以使用连续查询（Continuous Query, CQ）进行降采样。CQ会定期自动执行，将高精度的原始数据聚合成低精度的汇总数据，并存入另一个measurement或RP中，从而节省存储空间。

例如，创建一个CQ，每小时计算一次CPU温度的平均值，并存入一个保留1年的RP中：

-- 首先创建一个保留1年的RP CREATE RETENTION POLICY "rp_1year" ON "pimon" DURATION 365d REPLICATION 1 -- 创建连续查询，每小时执行一次，计算上一小时的平均温度，并存入rp_1year策略下的`system_status_hourly`表中 CREATE CONTINUOUS QUERY "cq_temp_hourly" ON "pimon" BEGIN SELECT mean("value") AS "mean_value" INTO "rp_1year"."system_status_hourly" FROM "system_status" WHERE "type" = 'temperature' GROUP BY time(1h), * END

这样，原始数据保留30天供细节排查，而过去一年的每小时平均数据则被保留下来供长期趋势分析。

5.3 资源占用监控与调优

监控系统本身也会消耗资源。我们需要确保它不会成为树莓派的负担。

• 进程监控：使用htop或ps aux查看influxd、grafana-server和python3 monitor.py进程的CPU和内存占用。正常情况下，三者总占用应在150MB内存以内，CPU在空闲时接近0%。
• InfluxDB调优：对于1.8版本，可以编辑/etc/influxdb/influxdb.conf。重点关注[data]部分，cache-max-memory-size可以设置为“128m”或“256m”，避免占用过多内存。[http]部分的max-concurrent-write-limit和max-enqueued-write-limit可以适当调低（如20和50），以控制并发。
• Grafana调优：Grafana的配置在/etc/grafana/grafana.ini。对于树莓派，可以尝试在[server]部分设置min_interval = 30s，强制Grafana面板查询的最小间隔，减少对InfluxDB的查询压力。在[dashboards]部分，可以设置min_refresh_interval = 30s，防止面板刷新过快。
• 采集脚本调优：如前所述，降低采集频率是减少负载最直接的方法。将采集间隔从10秒改为30秒或60秒，数据量会直接减少为原来的1/3或1/6，对趋势分析的影响微乎其微。

6. 常见问题排查与实战技巧

在实际部署和运行中，你可能会遇到以下问题。这里记录了我踩过的一些坑和解决方法。

6.1 数据写入失败或查询不到

问题现象：采集脚本日志显示“写入InfluxDB失败”，或者Grafana中查询不到数据。

• 检查InfluxDB服务状态：sudo systemctl status influxdb。确保状态是active (running)。
• 检查数据库和用户权限：确认脚本中指定的数据库pimon已创建（SHOW DATABASES）。InfluxDB 1.8默认无需认证，但如果启用了认证，需要在连接客户端时提供用户名密码。
• 检查网络和端口：在树莓派上运行curl -v http://localhost:8086/ping，应该返回204 No Content。如果失败，可能是InfluxDB未启动或端口被占用。
• 查看InfluxDB日志：sudo journalctl -u influxdb -f，查看是否有错误信息。

6.2 Grafana无法连接InfluxDB数据源

问题现象：在Grafana中添加数据源时，Save & Test失败。

• 确认URL和数据库名：URL必须是http://localhost:8086（如果Grafana和InfluxDB在同一台机器）。数据库名严格匹配。
• 关闭InfluxDB的HTTPS（如果启用）：对于1.8版本，如果配置了HTTPS，Grafana的URL需要改为https://...，并且可能需要处理证书问题。初期测试建议使用HTTP。
• 检查防火墙：树莓派上如果启用了UFW等防火墙，确保8086端口对本地（localhost）是开放的。

6.3 监控图表显示“No data”

问题现象：Grafana面板配置好了，但图表一片空白，显示“No data”。

• 检查查询时间范围：Grafana右上角的时间选择器可能选在了未来或者很久以前。尝试选择“Last 1 hour”。
• 检查查询语句：确认InfluxQL语法正确，measurement名称、field key、tag key的大小写和拼写完全一致。InfluxDB是区分大小写的。
• 验证是否有数据：直接到InfluxDB命令行里查询一下：USE pimon; SELECT * FROM system_status LIMIT 10。如果这里也没数据，问题出在采集脚本。
• 检查采集脚本是否在运行：sudo systemctl status pimon.service，查看日志journalctl -u pimon.service --since “5 minutes ago”。

6.4 系统资源占用过高

问题现象：树莓派变卡，htop显示监控相关进程占用大量CPU或内存。

• 降低数据精度：这是最有效的方法。将采集间隔从10秒调整为30秒或60秒。
• 调整InfluxDB的RP：检查是否无意中创建了多个RP或没有设置RP，导致数据无限增长。使用SHOW RETENTION POLICIES ON pimon查看，并用DROP RETENTION POLICY删除不必要的策略。
• 清理旧数据：如果数据已经过多，可以手动删除：DELETE FROM system_status WHERE time < now() - 90d（删除90天前的数据，谨慎操作）。
• 简化Grafana仪表盘：减少仪表盘上的面板数量，特别是那些查询间隔短、查询范围大的面板。避免使用GROUP BY time(1s)这种高精度聚合。

6.5 告警不触发或误触发

问题现象：温度明明很高了，收不到邮件；或者频繁收到无关紧要的告警。

• 检查告警规则状态：在Grafana左侧菜单，进入Alerting->Alert rules，查看对应告警规则的状态。绿色是正常，黄色是待触发，红色是触发中。如果一直是绿色，说明条件未满足。
• 检查评估周期和持续时间：确认Evaluate every和For的设置符合预期。一个常见的误设是For设置为0，导致指标一超过阈值就告警，没有缓冲期。
• 检查通知渠道配置：测试通知渠道是否正常。在Notification channels里，对对应的渠道点击Test，看是否能收到测试信息。
• 调整告警阈值：告警阈值（如70度）需要根据你的树莓派型号、散热条件和环境温度来调整。树莓派4B的CPU在80度以下通常被认为是安全的工作温度，你可以从75度开始设置告警。内存告警阈值通常可以设在85%-90%。

经过以上步骤，一个功能完整、运行稳定、可扩展的树莓派系统监控平台就搭建完成了。它不仅让你对设备的健康状况了如指掌，更通过预警机制为你主动规避了潜在的风险。这套方法的核心思路——采集、存储、展示、告警——可以应用到任何需要监控的Linux设备上，你可以根据实际需求，轻松地添加磁盘IO、服务进程状态、网络连接数等更多监控维度，打造属于你自己的全能监控看板。

本文还有配套的精品资源，点击获取