Linux 下 Ansible 怎么检测服务器健康状态

Ansible 通过组合命令、模块和逻辑判断实现 Linux 健康检查标准化，聚焦三类检查：服务可用性（systemd 状态、端口监听、HTTP 响应）、资源阈值（CPU 负载、磁盘使用率、Inode）、日志异常（journalctl 时间窗口扫描），并支持自动化闭环处理。

Ansible 本身不直接提供“健康状态”的抽象概念，而是通过组合命令、模块和逻辑判断，把 Linux 健康检查的通用实践标准化、批量执行。关键不是“Ansible 怎么检测”，而是“用 Ansible 怎么可靠地执行三类检查”：服务是否真可用、资源是否够用、日志是否干净。

服务可用性：三重校验比单看进程更准

别只跑 systemctl status 或 ps —— 它们容易误判。推荐在 playbook 中分步验证：

• 查 systemd 状态：ansible all -m command -a "systemctl is-active --quiet nginx && echo ok" -c local，靠 $? 判断是否返回 0（active）
• 确认端口监听：ansible all -m command -a "ss -tln | grep ':80' > /dev/null"，用 ss 而非 netstat，避免高负载卡顿
• 探测真实响应：ansible all -m uri -a "url=http://localhost/health method=GET status_code=200 timeout=3"，URI 模块自动处理 HTTP 状态码和超时

系统资源：阈值驱动，不靠人盯

健康不是“看起来还行”，而是指标没越界。常用指标可封装为变量+条件任务：

• CPU 负载：用 shell 模块读 /proc/loadavg，对比 {{ ansible_processor_vcpus }}，例如 load1 > vcpus × 2 就告警
• 磁盘使用率：运行 df -h / | awk '$5 ~ /[0-9]+%/ {sub(/%/,"",$5); if ($5 > 90) print $1,$5}'，提取超 90% 的分区
• Inode 耗尽风险：df -i / | awk 'NR==2 {if ($5 > 95) print "inode critical"}'，尤其要防日志写爆

日志异常：按时间窗口扫描关键词

服务“活着但已瘫痪”最常藏在日志里。避免全量扫描，用 journalctl 限定范围：

• 查最近一小时 Nginx 错误：ansible web -m command -a "journalctl -u nginx --since '1 hour ago' | grep -i 'error|fail|timeout' | head -n 10"
• 统计 MySQL 日志错误频次：ansible db -m shell -a "journalctl -u mysqld --since '24 hours ago' | grep 'ERROR' | wc -l"，结果大于 50 就触发后续动作
• 匹配典型失败线索：grep 'No space left' /var/log/syslog 或 grep 'Connection refused' /var/log/messages

自动化闭环：脚本 + 条件 + 恢复动作

巡检不是只报错，而是形成“发现→记录→通知→尝试恢复”链路：

• 把上述检查写进 shell 脚本（如 /opt/bin/health-check.sh），每项设明确阈值（如磁盘 >90%、curl 连续 3 次失败）
• 用 Ansible 的 script 模块分发并执行：- script: /opt/bin/health-check.sh，结果存入 register 变量
• 用 when 和 Jinja2 测试语句做判断：when: health_result.stdout | search("CRITICAL")，再触发重启服务或清理磁盘等动作
• 结合 cron 在被管节点上定期运行，或由 Ansible 控制节点定时调用整个 playbook