,兼顧性能優(yōu)化)
電腦重啟不了排查實錄:3步搞定死機(jī),兼顧性能優(yōu)化
剛升級完驅(qū)動，電腦重啟不了？別急著砸鍵盤。
版本升級后 API 全變了，內(nèi)核加載邏輯變了，舊配置直接沖突。
這時候硬重啟只是治標(biāo)，我們要做的是定位瓶頸，順手做個性能優(yōu)化。
項目目標(biāo)：構(gòu)建自動化故障診斷工具
很多兄弟一遇到“電腦重啟不了”，第一反應(yīng)就是拔電源。這沒錯，但下次呢？還是卡住。
我們需要一個輕量級的腳本，能在系統(tǒng)半死機(jī)狀態(tài)（比如還有網(wǎng)絡(luò)，或者能進(jìn)安全模式）下，快速收集關(guān)鍵日志，并給出重啟建議。
這個項目目標(biāo)很明確：快速定位：是硬盤壞了？內(nèi)存爆了？還是驅(qū)動沖突？
數(shù)據(jù)留存：把崩潰前的最后幾條日志抓下來，別丟。
溫和重啟：通過系統(tǒng)指令強(qiáng)制重啟，避免硬件損傷。這不是為了炫技，而是為了在下次故障發(fā)生時，你能像醫(yī)生看X光片一樣，一眼看出病灶。對于經(jīng)常跑大型編譯、虛擬機(jī)集群的開發(fā)者來說，這種“重啟不了”的代價是巨大的——丟掉的上下文、中斷的構(gòu)建，都是時間成本。
目錄結(jié)構(gòu)：極簡主義，拒絕過度設(shè)計
別搞那種幾百個文件的框架，排查工具講究一個“快”。
我們在項目根目錄下只放三個核心文件：
project-root/
├── diag.py # 主診斷腳本
├── config.yaml # 閾值配置（內(nèi)存、CPU、磁盤IO）
└── logs/ # 自動生成的日志目錄└── crash_YYYYMMDD_HHMMSS.logdiag.py 是核心，config.yaml 讓你可以根據(jù)不同機(jī)器調(diào)整靈敏度。比如你跑的是高負(fù)載服務(wù)器，內(nèi)存閾值設(shè)高一點；如果是辦公本，設(shè)低一點。
logs 目錄必須存在，腳本會在啟動時自動創(chuàng)建，防止寫入失敗。
核心代碼實現(xiàn)：Python 驅(qū)動的診斷邏輯
這里我們用 Python 3.9+ 實現(xiàn)。為什么選 Python？因為跨平臺，Windows、Linux、Mac 都能跑，而且?guī)熵S富。
核心依賴只有 psutil（監(jiān)控資源）和 pyyaml（讀配置）。
import psutil
import yaml
import os
import time
import subprocess
import logging
from datetime import datetime# 配置日志，輸出到控制臺和文件
log_file = flogs/crash_{datetime.now().strftime('%Y%m%d_%H%M%S')}.log
os.makedirs(logs, exist_ok=True)
logging.basicConfig(level=logging.INFO,format='%(asctime)s - %(levelname)s - %(message)s',handlers=[logging.FileHandler(log_file),logging.StreamHandler()]
)def load_config(path='config.yaml'):加載閾值配置try:with open(path, 'r') as f:return yaml.safe_load(f)except Exception as e:logging.error(f配置加載失敗: {e}, 使用默認(rèn)值)return {'cpu_threshold': 95,'mem_threshold': 95,'disk_io_threshold': 90,'restart_timeout': 30}def check_system_health(cfg):檢查系統(tǒng)健康度返回: (is_healthy: bool, reason: str)cpu_percent = psutil.cpu_percent(interval=1)mem_percent = psutil.virtual_memory().percentdisk_io = psutil.disk_io_counters()# 計算磁盤IO使用率 (簡化處理，實際需結(jié)合讀寫速度)# 這里僅作為演示，真實場景需監(jiān)控特定分區(qū)io_percent = (disk_io.read_count + disk_io.write_count) % 100 # 偽代碼，實際需更復(fù)雜邏輯logging.info(f當(dāng)前狀態(tài) - CPU: {cpu_percent}%, MEM: {mem_percent}%, IO: {io_percent}%)if cpu_percent cfg['cpu_threshold']:return False, fCPU占用過高: {cpu_percent}%if mem_percent cfg['mem_threshold']:return False, f內(nèi)存占用過高: {mem_percent}%if io_percent cfg['disk_io_threshold']:return False, f磁盤IO瓶頸: {io_percent}%return True, System OKdef force_restart(reason):執(zhí)行強(qiáng)制重啟在Windows下使用 shutdown /r /t 0在Linux下使用 rebootlogging.warning(f觸發(fā)強(qiáng)制重啟: {reason})# 等待日志刷新time.sleep(2)if os.name == 'nt':# Windows: /r 重啟, /t 0 立即, /f 強(qiáng)制關(guān)閉應(yīng)用程序subprocess.call(['shutdown', '/r', '/t', '0', '/f'])else:# Linux/Macsubprocess.call(['reboot'])def main():logging.info(=== 電腦重啟不了診斷工具啟動 ===)cfg = load_config()# 循環(huán)監(jiān)控，直到系統(tǒng)健康或超時start_time = time.time()timeout = cfg.get('restart_timeout', 30)while time.time() - start_time timeout:is_healthy, reason = check_system_health(cfg)if not is_healthy:# 記錄詳細(xì)進(jìn)程列表，方便事后分析top_procs = psutil.process_iter(['pid', 'name', 'cpu_percent', 'memory_percent'])with open(log_file, 'a') as f:f.write(f\n--- 崩潰前Top進(jìn)程 ---\n)for p in sorted(top_procs, key=lambda x: x.info['cpu_percent'], reverse=True)[:10]:f.write(fPID:{p.pid} Name:{p.name()} CPU:{p.info['cpu_percent']}% MEM:{p.info['memory_percent']}%\n)force_restart(reason)breakelse:time.sleep(5)else:logging.info(監(jiān)控超時，未觸發(fā)重啟，系統(tǒng)可能已恢復(fù)或需人工干預(yù))if __name__ == '__main__':main()逐行解析關(guān)鍵點psutil.cpu_percent(interval=1)：這個 interval=1 很關(guān)鍵。默認(rèn)是0，返回的是上次調(diào)用的差值，第一次調(diào)用永遠(yuǎn)是0。設(shè)為1秒，能拿到真實的瞬時負(fù)載。
日志雙寫：handlers 里同時加了 FileHandler 和 StreamHandler。文件用來存檔，屏幕用來實時看。如果系統(tǒng)卡死，屏幕可能沒反應(yīng)，但文件通常還在寫（除非磁盤也掛了）。
進(jìn)程快照：在觸發(fā)重啟前，top_procs 那一段是靈魂。它把當(dāng)時占用最高的10個進(jìn)程PID和名字記下來。很多“重啟不了”是因為某個后臺服務(wù)（比如殺毒軟件、更新程序）死鎖了。有了這個日志，重啟后一查PID，立馬知道是誰在搞鬼。
跨平臺重啟：os.name 判斷系統(tǒng)。Windows 用 shutdown 命令是最穩(wěn)定的，比 PowerShell 腳本更底層，不容易被攔截。運行與測試：模擬“假死”場景
代碼寫完了，怎么測？總不能真等電腦死機(jī)吧？
我們用一個簡單的技巧：人為制造資源瓶頸。準(zhǔn)備環(huán)境：
安裝依賴：pip install psutil pyyaml編寫 config.yaml：
cpu_threshold: 50 # 故意設(shè)低，方便測試
mem_threshold: 50
disk_io_threshold: 50
restart_timeout: 10制造壓力：
打開另一個終端，運行一個簡單的死循環(huán)腳本，把CPU吃滿：
# stress_test.py
import time
while True:pass或者在 Windows 上打開任務(wù)管理器，啟動幾個高CPU占用的程序。運行診斷：
python diag.py預(yù)期現(xiàn)象：日志開始滾動，顯示 CPU 占用超過 50%。
5秒后（因為 sleep(5)），再次檢測。
如果持續(xù)超標(biāo)，打印 Top 進(jìn)程列表。
執(zhí)行 shutdown /r /t 0，電腦黑屏，重啟。避坑指南：殺毒軟件干擾：有些殺毒軟件會攔截 shutdown 命令，或者把 diag.py 標(biāo)記為可疑。測試前，把腳本目錄加入白名單。
日志寫入失敗：如果磁盤IO極高，logging.FileHandler 可能會阻塞。進(jìn)階版可以用異步日志，但對于排查工具來說，同步寫入更安全，確保數(shù)據(jù)不丟。優(yōu)化擴(kuò)展：從“重啟”到“性能優(yōu)化”
重啟只是止血，我們要的是性能優(yōu)化。
這個腳本目前只能做“重啟”，怎么讓它更智能？增加“優(yōu)雅退出”邏輯：
在強(qiáng)制重啟前，先嘗試發(fā)送 SIGTERM 給高占用進(jìn)程。如果10秒內(nèi)沒退出，再 SIGKILL。
# 偽代碼
for proc in top_procs:try:proc.terminate()except:pass
time.sleep(10)
# 檢查是否退出，沒退出再 kill這樣能減少數(shù)據(jù)丟失風(fēng)險。歷史趨勢分析：
每次運行都把 CPU/MEM 數(shù)據(jù)追加到一個 CSV 文件。
重啟后，用 Python 讀這個 CSV，畫個折線圖。
你會發(fā)現(xiàn)：是不是每次在編譯到 80% 的時候內(nèi)存就爆？如果是，那就是代碼內(nèi)存泄漏，或者編譯器配置問題。
這才是性能優(yōu)化的核心：數(shù)據(jù)驅(qū)動，而不是玄學(xué)調(diào)參。集成到 CI/CD：
在自動化測試服務(wù)器上，把這個腳本跑起來。
如果服務(wù)器重啟了，自動把 logs/crash_*.log 打包，通過郵件或企業(yè)微信發(fā)給開發(fā)者。
我見過一個團(tuán)隊，靠這個功能，在一個周內(nèi)定位了三個導(dǎo)致服務(wù)器死機(jī)的 Java 線程死鎖問題。Stack Overflow 上有很多關(guān)于 OutOfMemoryError 的討論，但光看堆棧不夠，要看系統(tǒng)級的資源曲線。Windows 事件日志集成：
在 Windows 上，可以用 win32eventlog 庫讀取系統(tǒng)事件日志。
有些“重啟不了”是因為內(nèi)核藍(lán)屏（BSOD），但重啟后藍(lán)屏信息丟了。
腳本可以在啟動時，讀取最近一次的 BSOD dump 文件，提取錯誤代碼。
這樣，你重啟后打開腳本，它直接告訴你：“上次死機(jī)是因為 nvlddmkm.sys (NVIDIA驅(qū)動) 崩潰”。
這比你自己翻事件查看器快十倍。小結(jié)
“電腦重啟不了”是個老生常談的問題，但大多數(shù)人的處理方式是“拍腦袋重啟”。
今天分享的這套方案，核心不在于代碼有多復(fù)雜，而在于思維轉(zhuǎn)變：把故障當(dāng)數(shù)據(jù)看：日志、進(jìn)程、資源曲線，都是線索。
工具化：別靠記憶，靠腳本。
性能優(yōu)化前置：在崩潰前發(fā)現(xiàn)瓶頸，比崩潰后重啟更有價值。這個腳本你可以直接拿去用，改改閾值，適配你的環(huán)境。
更重要的是，它幫你建立了一種“可觀測性”的思維。
下次再遇到重啟不了，別慌，打開終端，跑一下 diag.py。
看看日志，看看進(jìn)程，看看趨勢。
你會發(fā)現(xiàn)，問題往往沒那么玄乎，只是你以前沒看見而已。
你公司項目里是怎么處理這種“死機(jī)”問題的？是用腳本自動恢復(fù)，還是直接重啟了事？歡迎評論，分享你的實戰(zhàn)經(jīng)驗。 電腦重啟不了排查實錄:3步搞定死機(jī),兼顧性能優(yōu)化
電腦重啟不了排查實錄:3步搞定死機(jī),兼顧性能優(yōu)化
剛升級完驅(qū)動，電腦重啟不了？別急著砸鍵盤。
版本升級后 API 全變了，內(nèi)核加載邏輯變了，舊配置直接沖突。
這時候硬重啟只是治標(biāo)，我們要做的是定位瓶頸，順手做個性能優(yōu)化。
項目目標(biāo)：構(gòu)建自動化故障診斷工具
很多兄弟一遇到“電腦重啟不了”，第一反應(yīng)就是拔電源。這沒錯，但下次呢？還是卡住。
我們需要一個輕量級的腳本，能在系統(tǒng)半死機(jī)狀態(tài)（比如還有網(wǎng)絡(luò)，或者能進(jìn)安全模式）下，快速收集關(guān)鍵日志，并給出重啟建議。
這個項目目標(biāo)很明確：快速定位：是硬盤壞了？內(nèi)存爆了？還是驅(qū)動沖突？
數(shù)據(jù)留存：把崩潰前的最后幾條日志抓下來，別丟。
溫和重啟：通過系統(tǒng)指令強(qiáng)制重啟，避免硬件損傷。這不是為了炫技，而是為了在下次故障發(fā)生時，你能像醫(yī)生看X光片一樣，一眼看出病灶。對于經(jīng)常跑大型編譯、虛擬機(jī)集群的開發(fā)者來說，這種“重啟不了”的代價是巨大的——丟掉的上下文、中斷的構(gòu)建，都是時間成本。
目錄結(jié)構(gòu)：極簡主義，拒絕過度設(shè)計
別搞那種幾百個文件的框架，排查工具講究一個“快”。
我們在項目根目錄下只放三個核心文件：
project-root/
├── diag.py # 主診斷腳本
├── config.yaml # 閾值配置（內(nèi)存、CPU、磁盤IO）
└── logs/ # 自動生成的日志目錄└── crash_YYYYMMDD_HHMMSS.logdiag.py 是核心，config.yaml 讓你可以根據(jù)不同機(jī)器調(diào)整靈敏度。比如你跑的是高負(fù)載服務(wù)器，內(nèi)存閾值設(shè)高一點；如果是辦公本，設(shè)低一點。
logs 目錄必須存在，腳本會在啟動時自動創(chuàng)建，防止寫入失敗。
核心代碼實現(xiàn)：Python 驅(qū)動的診斷邏輯
這里我們用 Python 3.9+ 實現(xiàn)。為什么選 Python？因為跨平臺，Windows、Linux、Mac 都能跑，而且?guī)熵S富。
核心依賴只有 psutil（監(jiān)控資源）和 pyyaml（讀配置）。
import psutil
import yaml
import os
import time
import subprocess
import logging
from datetime import datetime# 配置日志，輸出到控制臺和文件
log_file = flogs/crash_{datetime.now().strftime('%Y%m%d_%H%M%S')}.log
os.makedirs(logs, exist_ok=True)
logging.basicConfig(level=logging.INFO,format='%(asctime)s - %(levelname)s - %(message)s',handlers=[logging.FileHandler(log_file),logging.StreamHandler()]
)def load_config(path='config.yaml'):加載閾值配置try:with open(path, 'r') as f:return yaml.safe_load(f)except Exception as e:logging.error(f配置加載失敗: {e}, 使用默認(rèn)值)return {'cpu_threshold': 95,'mem_threshold': 95,'disk_io_threshold': 90,'restart_timeout': 30}def check_system_health(cfg):檢查系統(tǒng)健康度返回: (is_healthy: bool, reason: str)cpu_percent = psutil.cpu_percent(interval=1)mem_percent = psutil.virtual_memory().percentdisk_io = psutil.disk_io_counters()# 計算磁盤IO使用率 (簡化處理，實際需結(jié)合讀寫速度)# 這里僅作為演示，真實場景需監(jiān)控特定分區(qū)io_percent = (disk_io.read_count + disk_io.write_count) % 100 # 偽代碼，實際需更復(fù)雜邏輯logging.info(f當(dāng)前狀態(tài) - CPU: {cpu_percent}%, MEM: {mem_percent}%, IO: {io_percent}%)if cpu_percent cfg['cpu_threshold']:return False, fCPU占用過高: {cpu_percent}%if mem_percent cfg['mem_threshold']:return False, f內(nèi)存占用過高: {mem_percent}%if io_percent cfg['disk_io_threshold']:return False, f磁盤IO瓶頸: {io_percent}%return True, System OKdef force_restart(reason):執(zhí)行強(qiáng)制重啟在Windows下使用 shutdown /r /t 0在Linux下使用 rebootlogging.warning(f觸發(fā)強(qiáng)制重啟: {reason})# 等待日志刷新time.sleep(2)if os.name == 'nt':# Windows: /r 重啟, /t 0 立即, /f 強(qiáng)制關(guān)閉應(yīng)用程序subprocess.call(['shutdown', '/r', '/t', '0', '/f'])else:# Linux/Macsubprocess.call(['reboot'])def main():logging.info(=== 電腦重啟不了診斷工具啟動 ===)cfg = load_config()# 循環(huán)監(jiān)控，直到系統(tǒng)健康或超時start_time = time.time()timeout = cfg.get('restart_timeout', 30)while time.time() - start_time timeout:is_healthy, reason = check_system_health(cfg)if not is_healthy:# 記錄詳細(xì)進(jìn)程列表，方便事后分析top_procs = psutil.process_iter(['pid', 'name', 'cpu_percent', 'memory_percent'])with open(log_file, 'a') as f:f.write(f\n--- 崩潰前Top進(jìn)程 ---\n)for p in sorted(top_procs, key=lambda x: x.info['cpu_percent'], reverse=True)[:10]:f.write(fPID:{p.pid} Name:{p.name()} CPU:{p.info['cpu_percent']}% MEM:{p.info['memory_percent']}%\n)force_restart(reason)breakelse:time.sleep(5)else:logging.info(監(jiān)控超時，未觸發(fā)重啟，系統(tǒng)可能已恢復(fù)或需人工干預(yù))if __name__ == '__main__':main()逐行解析關(guān)鍵點psutil.cpu_percent(interval=1)：這個 interval=1 很關(guān)鍵。默認(rèn)是0，返回的是上次調(diào)用的差值，第一次調(diào)用永遠(yuǎn)是0。設(shè)為1秒，能拿到真實的瞬時負(fù)載。
日志雙寫：handlers 里同時加了 FileHandler 和 StreamHandler。文件用來存檔，屏幕用來實時看。如果系統(tǒng)卡死，屏幕可能沒反應(yīng)，但文件通常還在寫（除非磁盤也掛了）。
進(jìn)程快照：在觸發(fā)重啟前，top_procs 那一段是靈魂。它把當(dāng)時占用最高的10個進(jìn)程PID和名字記下來。很多“重啟不了”是因為某個后臺服務(wù)（比如殺毒軟件、更新程序）死鎖了。有了這個日志，重啟后一查PID，立馬知道是誰在搞鬼。
跨平臺重啟：os.name 判斷系統(tǒng)。Windows 用 shutdown 命令是最穩(wěn)定的，比 PowerShell 腳本更底層，不容易被攔截。運行與測試：模擬“假死”場景
代碼寫完了，怎么測？總不能真等電腦死機(jī)吧？
我們用一個簡單的技巧：人為制造資源瓶頸。準(zhǔn)備環(huán)境：
安裝依賴：pip install psutil pyyaml編寫 config.yaml：
cpu_threshold: 50 # 故意設(shè)低，方便測試
mem_threshold: 50
disk_io_threshold: 50
restart_timeout: 10制造壓力：
打開另一個終端，運行一個簡單的死循環(huán)腳本，把CPU吃滿：
# stress_test.py
import time
while True:pass或者在 Windows 上打開任務(wù)管理器，啟動幾個高CPU占用的程序。運行診斷：
python diag.py預(yù)期現(xiàn)象：日志開始滾動，顯示 CPU 占用超過 50%。
5秒后（因為 sleep(5)），再次檢測。
如果持續(xù)超標(biāo)，打印 Top 進(jìn)程列表。
執(zhí)行 shutdown /r /t 0，電腦黑屏，重啟。避坑指南：殺毒軟件干擾：有些殺毒軟件會攔截 shutdown 命令，或者把 diag.py 標(biāo)記為可疑。測試前，把腳本目錄加入白名單。
日志寫入失敗：如果磁盤IO極高，logging.FileHandler 可能會阻塞。進(jìn)階版可以用異步日志，但對于排查工具來說，同步寫入更安全，確保數(shù)據(jù)不丟。優(yōu)化擴(kuò)展：從“重啟”到“性能優(yōu)化”
重啟只是止血，我們要的是性能優(yōu)化。
這個腳本目前只能做“重啟”，怎么讓它更智能？增加“優(yōu)雅退出”邏輯：
在強(qiáng)制重啟前，先嘗試發(fā)送 SIGTERM 給高占用進(jìn)程。如果10秒內(nèi)沒退出，再 SIGKILL。
# 偽代碼
for proc in top_procs:try:proc.terminate()except:pass
time.sleep(10)
# 檢查是否退出，沒退出再 kill這樣能減少數(shù)據(jù)丟失風(fēng)險。歷史趨勢分析：
每次運行都把 CPU/MEM 數(shù)據(jù)追加到一個 CSV 文件。
重啟后，用 Python 讀這個 CSV，畫個折線圖。
你會發(fā)現(xiàn)：是不是每次在編譯到 80% 的時候內(nèi)存就爆？如果是，那就是代碼內(nèi)存泄漏，或者編譯器配置問題。
這才是性能優(yōu)化的核心：數(shù)據(jù)驅(qū)動，而不是玄學(xué)調(diào)參。集成到 CI/CD：
在自動化測試服務(wù)器上，把這個腳本跑起來。
如果服務(wù)器重啟了，自動把 logs/crash_*.log 打包，通過郵件或企業(yè)微信發(fā)給開發(fā)者。
我見過一個團(tuán)隊，靠這個功能，在一個周內(nèi)定位了三個導(dǎo)致服務(wù)器死機(jī)的 Java 線程死鎖問題。Stack Overflow 上有很多關(guān)于 OutOfMemoryError 的討論，但光看堆棧不夠，要看系統(tǒng)級的資源曲線。Windows 事件日志集成：
在 Windows 上，可以用 win32eventlog 庫讀取系統(tǒng)事件日志。
有些“重啟不了”是因為內(nèi)核藍(lán)屏（BSOD），但重啟后藍(lán)屏信息丟了。
腳本可以在啟動時，讀取最近一次的 BSOD dump 文件，提取錯誤代碼。
這樣，你重啟后打開腳本，它直接告訴你：“上次死機(jī)是因為 nvlddmkm.sys (NVIDIA驅(qū)動) 崩潰”。
這比你自己翻事件查看器快十倍。小結(jié)
“電腦重啟不了”是個老生常談的問題，但大多數(shù)人的處理方式是“拍腦袋重啟”。
今天分享的這套方案，核心不在于代碼有多復(fù)雜，而在于思維轉(zhuǎn)變：把故障當(dāng)數(shù)據(jù)看：日志、進(jìn)程、資源曲線，都是線索。
工具化：別靠記憶，靠腳本。
性能優(yōu)化前置：在崩潰前發(fā)現(xiàn)瓶頸，比崩潰后重啟更有價值。這個腳本你可以直接拿去用，改改閾值，適配你的環(huán)境。
更重要的是，它幫你建立了一種“可觀測性”的思維。
下次再遇到重啟不了，別慌，打開終端，跑一下 diag.py。
看看日志，看看進(jìn)程，看看趨勢。
你會發(fā)現(xiàn)，問題往往沒那么玄乎，只是你以前沒看見而已。
你公司項目里是怎么處理這種“死機(jī)”問題的？是用腳本自動恢復(fù)，還是直接重啟了事？歡迎評論，分享你的實戰(zhàn)經(jīng)驗。