公司网站监控

上周三下午两点十七分，公司客户发来一条微信：“你们官网打不开了。网站”我正对着编辑器改文案，监控顺手刷新页面——转圈，公司超时，网站502。监控打开终端敲下 curl -I https://www.example.com，公司返回 HTTP/1.1 502 Bad Gateway。网站运维群里问了一圈，监控没人动过服务器。公司最后查出来是网站 CDN 回源配置被误改，一个字符的监控事，网站挂了 23 分钟。公司

这 23 分钟里，网站我们丢了 17 个询盘表单提交，监控百度快照被降权，两个正在投放的广告落地页直接 404。老板没骂人，但脸色不太好看。从那天起，我开始认真折腾网站监控这件事。

监控不是装个 UptimeRobot 就完事

很多人对网站监控的理解就是“网站挂了给我发短信”。我一开始也这么想。装了个 UptimeRobot 免费版，5 分钟检测一次，觉得万事大吉。后来发现坑多得很：它只告诉你 200 OK 还是 timeout，不告诉你页面内容对不对。有次前端发版，CSS 文件路径写错，页面白屏但 HTTP 状态码是 200。UptimeRobot 一声不吭，用户截图发到群里我们才知道。

状态码正常不代表网站正常。这是第一个教训。

三层监控，缺一层都难受

我现在把监控拆成三层来做。

第一层：可用性监控。用 UptimeRobot 和阿里云站点监控双保险，1 分钟一次 HTTP 探测。关键页面单独配：首页、产品页、表单提交页、支付回调地址。别只监控首页，用户真正操作的是后面那些。

第二层：内容校验。用 Python 写了个脚本，每 5 分钟请求一次关键页面，检查返回的 HTML 里是否包含预设的关键词。比如产品页必须包含“立即咨询”按钮的 ID，表单页必须包含 <form action="/submit">。匹配不上就触发告警。脚本跑在另一台云主机上，跟网站服务器物理隔离——网站服务器自己都挂了，它上面的监控脚本能顶什么用？

第三层：性能监控。用 Prometheus + Blackbox Exporter 抓 DNS 解析时间、TCP 连接时间、TLS 握手时间、首字节时间。有次网站打开特别慢，查了半天代码没问题，最后看监控图表发现 DNS 解析从 20ms 飙到 800ms。域名注册商那边抽风，换 DNS 服务商解决。没有这层数据，你根本不知道慢在哪。

告警发到哪儿，比监控本身还重要

我踩过最蠢的坑：告警邮件发到公司公共邮箱，三天没人看。后来改成钉钉群机器人 + 短信 + 电话轮番轰炸。但新的问题来了——半夜网站波动一下，电话打过来，爬起来一看已经恢复了。折腾几次人都麻了。

现在的策略是分级：

• 连续 3 次探测失败才发钉钉，避免网络抖动误报
• 连续 5 次失败发短信
• 连续 10 次失败或者关键页面内容校验失败，才打电话

另外告警内容必须带上下文。别只发“网站挂了”，要带：哪个 URL、什么错误码、最近一次正常时间、当前 DNS 解析结果。凌晨三点被叫醒的人没脑子去自己查。

监控工具推荐（自用，非广告）

预算充足直接上监控宝或者听云，省心。想省钱就 UptimeRobot 免费版 + 自建脚本。服务器层面用 Netdata，装完就能看 CPU、内存、磁盘、网络，界面还好看。日志监控用 logcheck 或者自己写个 grep 定时任务，盯着 error_log 里的 PHP Fatal error 和 segfault。

最后说个反直觉的：监控越多，越容易麻木。我见过有人配了 200 个告警规则，每天收 300 条通知，最后全部静音。挑最核心的 5 到 8 个指标，把告警阈值调准，比堆一堆花里胡哨的仪表盘有用得多。网站监控这事，本质是让你睡个安稳觉，不是让你半夜起来看图表的。