【一】從0開始，用flask+mongo打造分散式伺服器監控平臺
閱讀本文，代表你將和 奎因 一起，從 0 開始快速入門 flask 開發以及 mongodb 的使用，打造一個穩定、健壯的分散式多機伺服器資源監控平臺
在前面一篇文章《 Python 系統資源資訊獲取工具，你用過沒？》中，我們學習瞭如何使用 Python 中的第三方庫 psutil 來獲取系統的資源資訊，比如 cpu 佔用率、記憶體使用情況、硬碟以及程序情況等。並且奎因在文章的末尾還大言不慚、信誓旦旦的說可以用 psutil 打造一個分散式伺服器監控平臺
德萊厄斯：哼！好大的口氣！！！
我們翻翻舊帳，看看 奎因 上一篇文章末尾說的分散式伺服器監控平臺是什麼：
德萊文：德瑪西亞的人為什麼要打造這麼一個監控平臺呢？莫非有什麼陰謀？
專案開始之前的故事
現在 奎因 的手上有 N 臺 Linux 伺服器，上面部署了很多的爬蟲以及爬蟲依賴的服務， 德瑪西亞陣營 希望 奎因 能夠儘量節省開銷，畢竟上次跟 諾克薩斯 一戰之後軍費就很緊張。 奎因 臨危受命， 負責爬蟲專案的優化。
但是在必須在優化之前，記錄伺服器上的資源峰值以及對應的爬蟲程序數，以估算爬蟲數量與資源消耗量的關聯關係。市面上的伺服器監控平臺很多，而且功能強大無比，為什麼 奎因 要自己打造，而不用現成的呢？
這個專案的需求並不大、也不復雜，而且定製化程度較高，如果使用成熟的伺服器監控平臺未免也太浪費了，而且需要頻繁的記錄伺服器峰值情況，恐怕還得更改程式碼 -- 奎因 考慮到這些問題，心中覺得不如重寫來的實在，畢竟只有造輪子，才能夠進步得更快。
造一個什麼樣的輪子
上面的專案圖是在假設需求的情況下製作的，但是現在有了真正的需求，那麼就應該將上面圖的進行調整和細化，想到這裡， 奎因 不禁皺了皺眉頭：要是 華洛 在這裡就好了，至少還有個可以商量的人，但是 華洛 被派出去執行任務， 奎因 也只好自己操刀了：
首先，這個模組完成的任務是獲取伺服器資源資訊，包括當前 cpu、記憶體和磁碟的佔用率以及當前 python （因為爬蟲是 python 編寫的，所以監控 python 程序資訊）相關程序的列表，它的名字似乎不太合適，應該改為 系統資源資訊獲取模組。
然後在儲存中心這裡，redis 似乎不太適合，如果要用 nosql 的話，mongodb 可能更適合。而且還要考慮分散式的問題。 奎因 心中很清楚，分散式不過是使用一箇中心儲存，將不同端的資料共同儲存在資料中心而已，那麼這就衍生了三種情況：
- A).對等分散式 -- 每臺伺服器上的程式碼都一樣，功能也都相同
- B).主從分散式之推模式 -- 多臺從機將資料推給主機，由主機負責儲存和其他操作。
- C).主從分散式之拉模式 -- 由主機主動向從機索要資料，形象的理解為拉。
奎因腦海中閃過一個很形象的畫面：
米粉店門口的貼紙嗎，太適合這個場景了！
推模式與拉模式的選擇
推與拉，看似方向相同，但是卻需要不同的操作（你能夠說 紅 Buff 和 藍 Buff 一樣嗎？）。
首先要考慮的是主機所在的環境，如果主機不在公網當中，而從機都在公網中（比如阿里雲伺服器），這個情況下主機可以訪問從機，但是從機卻無法訪問主機，推拉模式當中的 推 顯然是不適用的，反之亦然。
奎因諮詢了峽谷先鋒，得知目前 德瑪西亞陣營 的伺服器中主機不在公網，而從機都在公網，所以很適合 拉 模式。根據經驗得出， 拉 模式在程式碼中的表現通常是主機 request.get(從機)。
所以，儲存中心只需要提供給主機即可，從機不需要訪問到儲存中心，那麼圖就可以改為：
警報中心
奎因是一名優秀的戰士，甚至警報的重要性，這麼大的專案怎麼能沒有警報功能呢？
泰隆：就算你再小心也沒有用！
根據以往對抗 諾克薩斯 的經驗，他們的人都比較實在而且又猛又蠢，所以警報中心需要即時又準確，那麼警報中心就分為兩部分：發現警情和通知。也就是閾值檢測以及郵件傳送功能
資料處理與視覺化
要讓大家相信，必須拿出真憑實據，所以資料的處理與視覺化是必不可少的，但是由於 華洛 外出執行任務，所以對於資料的呈現這部分 奎因 也沒有什麼頭緒，那就暫且保留原樣吧。
所以整個伺服器資訊監控平臺的結構圖如下：
臨陣磨槍
既然已經規劃好了，那麼差不多就可以開始動工了。 奎因 最擅長使用的就是工具，他擁有有整個聯盟最強的弓弩，必定知道工具選擇的重要性。
既然這是一個平臺，那麼就需要 WEB 服務作為支撐，縱觀 Python 領域，最受歡迎的莫過於 Django 和 Flask，由於專案並不大，而且要求輕量、快速，所以 奎因 選擇了他從未使用過的 Flask restful點選前往文件。
剛才探討到資料儲存中心，那就選定 Mongodb，但是為了快速開發，還需要選定一個能夠將 Flask 和 Mongodb 連線在一起的中間工具。目前有幾種可以選擇：
- A).Pymongo -- mongodb 的 Python 連線庫
- B).Flask-pymonggo -- 在 A 的基礎上封裝了一層
- C).MongoEngine -- 一個成熟的 Mongodb ORM 框架
三種都是可以完成任務的， 華洛 曾經跟 奎因 說過：從速度、程式碼結構完整性、易用性以及可維護性幾個方面來考慮的話，ORM 當然是最合適的，所以這裡選擇 MongoEngine點選前往文件
雖然 Flask restful 和 MongoEngine 是 奎因 之前很少接觸的工具，但是 奎因 相信 華洛 的推薦，也相信自己的快速學習能力
最重要的能力
奎因經歷過大大小小几百場戰鬥，無論是對陣強大的 諾克薩斯陣營 還是召喚師峽谷出沒的那些 怪物 ，心裡深知：你永遠無法學會所有的知識，但是如果你學會了如何快速學習，那麼你就會變得很強。
開始
經過上面的分析和規劃 『專案似瞭然於胸 又飄渺於峽谷之中』
奎因： 動手吧！
工具的安裝
如果你真的從 0 開始，那麼所有的學習都可以從官方文件開始。相比那些流傳在峽谷和迷霧中的謠言（筆者指的是網上胡亂抄襲的斷頭文章），官方文件當然是更可靠的選擇，就像 奎因 選擇與 華洛 並肩作戰一樣。
根據Flask restful 文件
文件
的安裝介紹
的安裝介紹
由於有官方文件，所以奎因很快就將他們安裝好了
執行 Flask
Flask restful 文件中的快速開始 部分，給出了一個簡單的示例程式碼，我們可以通過這段程式碼來啟動 Flask。當然 奎因 從來都不會這麼做，因為直接複製貼上文件是不可能快速學習的，必須立即將文件轉為自己的知識：
from flask import Flask
from flask_restful import Resource, Api
app = Flask(__name__)
api = Api(app)
class Home(Resource):
def get(self):
return {'status': 'success', 'message': 'Flask restful is running'}
api.add_resource(Home, '/')
if __name__ == '__main__':
# 崔慶才丨靜覓、韋世東丨奎因 邀請你關注微信公眾號【進擊的Coder】
app.run(debug=True)
複製程式碼
然後我們執行程式碼
得到 Flask 已經啟動的提示資訊，接著我們可以點選連結，到瀏覽器上看一看輸出了什麼內容：
如程式碼所寫，正確輸出了剛才的內容，說明適當的改動是可以的，不怕不怕。
Flask 與 MongoEngine
通過 MongoEngine 文件 Connecting to MongoDB 部分的介紹：
我們很快就學會了如何用程式碼連線 Mongodb 資料庫(將剛才的程式碼改為)：
from flask import Flask
from flask_restful import Resource, Api
from mongoengine import *
connect(
host='mongodb://localhost/server_resource'
)
app = Flask(__name__)
api = Api(app)
class Home(Resource):
def get(self):
return {'status': 'success', 'message': 'Flask restful is running'}
api.add_resource(Home, '/')
if __name__ == '__main__':
# 崔慶才丨靜覓、韋世東丨奎因 邀請你關注微信公眾號【進擊的Coder】
app.run(debug=True)
複製程式碼
資料模型
資料模型可以讓我們很輕鬆的操作資料庫，而且還能夠保證程式碼的整潔性和美觀程度 -- 就像士兵總喜歡將自己的武器擦亮一樣 奎因 就經常這麼做。
文件 上面清楚的寫著應該如何建立資料模型，並且用一些例子告訴我們欄位的設定和定義應該如何選擇。
我們現在想一想，需要定義哪一些資料模型呢？
首先，回到那個推拉的模式，我們已經確定使用 拉 模式（不是龍龜 拉莫斯 ），所以意味著主機要從從機上拉取資料，主機如何在資料記錄中確定資料到底是來自於哪一臺從機呢？
所以，我們需要一個伺服器佇列，佇列中記錄了從機的名稱、ip 地址以及備註資訊等，那麼資料模型就可以定義了。
在程式碼中新增一個數據模型類：
class ResourceModel(Document): """ 伺服器佇列模型 """ name = StringField(max_length=255, required=True) address = StringField(max_length=160, required=True) description = StringField(max_length=255) 複製程式碼
執行程式碼後，你就可以開啟 Mongodb 視覺化工具，檢視新生成的 Collection 了。