如何在Linux中实时打印CPU使用率？

Question

如何在Linux中实时监控并打印CPU使用率？常见问题是如何从 `/proc/stat` 获取原始CPU时间数据并准确计算使用率。由于该文件仅提供自系统启动以来的累计CPU时间（用户、系统、空闲等），需通过两次采样间隔内的差值来计算实际使用率。难点在于解析字段、处理多核CPU以及避免短时间高频采样的精度误差。如何用Shell或Python实现高效、低开销的实时更新，同时保持输出清晰可读，是实际应用中的典型挑战。

Answer 1

一、Linux中实时监控CPU使用率的原理与实现路径

在Linux系统中，/proc/stat 文件是获取CPU时间统计的核心接口。该文件第一行为全局CPU汇总数据，后续每行对应一个逻辑CPU核心（如 cpu0, cpu1...）。每一行包含多个字段，表示自系统启动以来累计的节拍数（jiffies），主要字段包括：

• user：用户态执行时间
• nice：低优先级用户态执行时间
• system：内核态执行时间
• idle：空闲时间
• iowait：等待I/O完成的时间
• irq：处理硬件中断时间
• softirq：处理软中断时间

由于这些值为累计值，必须通过两次采样之间的差值来计算实际使用率。公式如下：

总时间 = user + nice + system + idle + iowait + irq + softirq
使用率 = (总时间 - 空闲时间) / 总时间 × 100%
    

二、Shell脚本实现基础版本的CPU监控

以下是一个基于Shell的简单实现，每秒采样一次并输出整体CPU使用率：

#!/bin/bash

get_cpu_times() {
    cat /proc/stat | grep '^cpu ' | awk '{print $2+$3+$4+$5+$6+$7+$8, $5}'
}

read -r total1 idle1 < <(get_cpu_times)
while true; do
    sleep 1
    read -r total2 idle2 < <(get_cpu_times)
    
    delta_total=$((total2 - total1))
    delta_idle=$((idle2 - idle1))

    if [ $delta_total -gt 0 ]; then
        usage=$((100 * (delta_total - delta_idle) / delta_total))
        printf "CPU Usage: %d%%\n" $usage
    fi

    total1=$total2
    idle1=$idle2
done
    

此方法适用于快速调试和轻量级部署，但难以扩展至多核分析或高精度场景。

三、Python进阶实现：支持多核与动态刷新

Python提供了更灵活的数据结构与可读性优势，适合构建生产级监控工具。以下代码展示如何解析所有CPU核心并实时打印使用情况：

import time
import os

def read_cpu_stats():
    with open('/proc/stat', 'r') as f:
        lines = f.readlines()
    cpus = {}
    for line in lines:
        if line.startswith('cpu'):
            parts = line.strip().split()
            cpu_name = parts[0]
            values = list(map(int, parts[1:]))
            total = sum(values)
            idle = values[3] + values[4]  # idle + iowait 被视为非工作时间
            cpus[cpu_name] = {'total': total, 'idle': idle}
    return cpus

def calc_usage(prev, curr):
    dt_total = curr['total'] - prev['total']
    dt_idle = curr['idle'] - prev['idle']
    if dt_total == 0:
        return 0.0
    return round((dt_total - dt_idle) / dt_total * 100, 2)

# 主循环
prev_stats = read_cpu_stats()
try:
    while True:
        time.sleep(1)
        curr_stats = read_cpu_stats()
        print("\033[H\033[J", end="")  # 清屏
        print(f"{'CPU':<8} {'Usage (%)':<12}")
        print("-" * 20)
        for cpu in sorted(curr_stats.keys()):
            if cpu == 'cpu': continue  # 跳过总和行用于单独显示
            usage = calc_usage(prev_stats[cpu], curr_stats[cpu])
            color = "\033[32m" if usage < 50 else "\033[33m" if usage < 80 else "\033[31m"
            reset = "\033[0m"
            bar = '█' * int(usage // 5)
            print(f"{cpu:<8} {color}{usage:>6.2f}%{reset} |{bar:<20}|")
        prev_stats = curr_stats
except KeyboardInterrupt:
    print("\nMonitoring stopped.")
    

四、性能优化与精度控制策略

高频采样可能导致数据抖动或资源浪费。以下是关键优化建议：

问题	原因	解决方案
短间隔采样误差大	时间差太小导致除零或波动	设置最小采样间隔（≥0.5s）
多核处理复杂	需分别跟踪每个cpuX行	使用字典结构索引各核状态
输出闪烁影响可读性	频繁清屏造成视觉跳跃	采用ANSI转义码局部更新
长时间运行内存泄漏	未释放旧对象引用	及时覆盖变量避免累积
容器环境偏差	cgroups限制了CPU配额	结合/sys/fs/cgroup/cpu校正

五、系统集成与可视化增强方案

将原始数据接入Prometheus或Grafana等监控平台，可通过Exporter暴露指标。例如，定义如下metrics端点：

# HELP cpu_usage_percent CPU usage percentage per core
# TYPE cpu_usage_percent gauge
cpu_usage_percent{core="cpu0"} 23.4
cpu_usage_percent{core="cpu1"} 18.7
cpu_usage_percent{core="total"} 21.0
    

此外，利用matplotlib或plotext可在终端绘制实时趋势图，提升交互体验。

六、流程建模：CPU监控数据流设计

下图为从内核到用户界面的数据流动逻辑：

graph TD
    A[/proc/stat] --> B{解析字段}
    B --> C[提取user,nice,system,idle等]
    C --> D[第一次采样存档]
    D --> E[延时等待]
    E --> F[第二次采样]
    F --> G[计算时间差]
    G --> H[得出使用率]
    H --> I[格式化输出]
    I --> J[刷新显示或上报]
    J --> K{继续循环?}
    K -- 是 --> E
    K -- 否 --> L[退出程序]
    

七、常见陷阱与调试技巧

开发者常遇到的问题包括：

1. 误将cpu行与cpu0混淆，导致重复计算
2. 忽略steal时间，在虚拟化环境中造成低估
3. 未处理jiffies溢出（虽罕见但理论上存在）
4. 在低负载机器上idle变化极小，易产生“100%”假象
5. 跨容器/VM边界时缺乏上下文感知能力
6. Python中未使用上下文管理器导致文件句柄泄露
7. Shell脚本中未正确处理空格或字段偏移
8. 未考虑NUMA架构下的CPU拓扑分布
9. 日志轮转时干扰采样周期一致性
10. 多线程环境下共享状态竞争