2026-05-16

硬盘健康自动化监控：SMART 从入门到日报

背景

服务器硬盘是整台机器最脆弱的部件之一。机械硬盘（HDD）有磁头碰撞、坏道扩散的风险，固态硬盘（SSD/NVMe）有寿命耗尽、写入放大的问题。等到系统报 I/O error 再处理，往往已经来不及了。

SMART（Self-Monitoring, Analysis and Reporting Technology）是硬盘自带的健康监测功能，能提前预警故障。本文将分享一套完整的自动化方案：从读取 SMART 数据、Python 解析，到集成 cron 日报推送。

📝 本文在 AI 辅助下完成，内容经人工审核验证。

SMART 基础

查看硬盘列表

$ lsblk -d -o NAME,TYPE,SIZE
NAME TYPE SIZE
sda  disk 500G
sdb  disk   2T

读取 SMART 数据

ATA 硬盘（SATA/SAS）：

# 查看所有属性
$ sudo smartctl -A /dev/sda

# 健康状态概览
$ sudo smartctl -H /dev/sda

# 历史错误记录
$ sudo smartctl -l error /dev/sda

# 自检记录
$ sudo smartctl -l selftest /dev/sda

NVMe 硬盘走的是 NVMe 协议，参数略有不同，但 smartctl --all 能统一处理：

$ sudo smartctl --all /dev/nvme0n1

关键属性解读：

SMART 属性的 Raw 值（原始值）和 Value（归一化值）需要一起看。Value 通常初始为 100，随着磨损逐渐降低到阈值以下时，硬盘报告故障。

脚本设计

最初的想法是解析 smartd state 文件或 attrlog csv，省去每次运行直接调用 smartctl 的开销。但实践中发现：

1. smartd state 文件格式不稳定，不同版本输出不一致
2. attrlog 需要额外配置，不是每台机器都有
3. 解析绕来绕去反而增加了复杂度

最终方案：所有 ATA 属性通过 smartctl -A 实时读取，NVMe 用 sudo smartctl --all。

def get_ata_attributes(device):
    """解析 smartctl -A 输出，返回有序的属性列表"""
    result = subprocess.run(
        ["sudo", "smartctl", "-A", f"/dev/{device}"],
        capture_output=True, text=True, timeout=10
    )
    # 解析 ID, NAME, FLAG, VALUE, WORST, THRESH, TYPE, RAW_VALUE
    ...

def get_nvme_attributes(device):
    """解析 NVMe SMART 日志"""
    result = subprocess.run(
        ["sudo", "smartctl", "--all", f"/dev/{device}"],
        capture_output=True, text=True, timeout=10
    )
    # 解析 NVMe 独有的字段：percentage_used, temperature, 等
    ...

为了避免每次都要输入密码，需要配置 sudo 免密：

# /etc/sudoers.d/smartctl
your_user ALL=(ALL) NOPASSWD: /usr/sbin/smartctl

Quick vs All 模式

脚本提供了多种运行模式，适应不同场景：

日报使用 quick 模式，周报使用 all 模式，平衡效率和完整性。

自动化调度

三阶段自检策略

硬盘自检（Self-test）会消耗 I/O 资源，不能频繁跑。策略如下：

1. 短自检（Short test）：耗时约 2 分钟，每隔 ≥3 月跑一次
2. 长自检（Long test）：耗时较长（几小时），每隔 ≥12 月跑一次
3. 长自检优先：如果已过期超过一年，先安排长自检

调度脚本每天定时运行，检查每块硬盘上次自检时间，按需启动。

$ sudo smartctl -l selftest /dev/sda
# 读取最后一条记录的时间戳，判断是否过期

日报/周报

日报每天推送 quick 模式结果，周报每周推送 all 模式综合报告。使用 cron 定时调度，结果推送到消息平台（支持 webhook、邮件、bot 等多种方式）。

日报：每天 → quick 模式 → 消息推送
周报：每周 → all 模式 → 详细报告
自检调度：每天 → 按需启动自检

踩坑记录

1. NVMe 参数兼容

早期的 smartctl 版本（6.x）对 NVMe 属性的输出格式不同，需要用 -l nvme-log 而非 --all。目前 smartctl 7.x+ 已统一，但兼容老版本时要注意。

2. 多硬盘并发

多块硬盘时逐块执行 smartctl 会显著延长耗时。可以用 concurrent.futures.ThreadPoolExecutor 并行读取：

with ThreadPoolExecutor(max_workers=4) as executor:
    results = executor.map(get_ata_attributes, sata_devices)

quick 模式下多盘并发的总耗时可以控制在 0.2s 以内。

3. sudo 权限

如果使用 cron 自动执行，需要注意 smartctl 需要 root 权限。配置 /etc/sudoers.d/smartctl 免密执行，并在 cron 脚本中指定完整路径。

从数据到可读性

原始 SMART 数据是数字堆叠，需要转化成可读的结论。例如：

/dev/sda: Generic SSD 500G
  温度: 41°C  ✅
  通电: 10000h
  重映射: 0  ✅
  待重映射: 0  ✅
  寿命: 95%  ✅

对于异常值，脚本会标记颜色和说明：

/dev/sdb: Generic HDD 2T ⚠️
  温度: 52°C  ⚠️ 偏高 (>50°C)
  通电: 8000h
  重映射: 12  ⚠️ 存在坏道
  待重映射: 4  ⚠️ 潜在坏道
  建议: 尽快备份数据，考虑更换硬盘

总结

通过 smartctl + Python + cron 的组合，可以构建一套完整的硬盘健康监控体系。核心原则：在故障发生前发现异常。

参考链接

• smartmontools 官方文档
• Linux ATA 文档