用 Python 编写可靠的自动化运维脚本

面向运维自动化，讲解 Python 脚本的健壮性设计：重试、超时、幂等、日志与可观测，让脚本在复杂网络环境下稳定运行。

运维脚本和开发脚本最大的区别是「它跑在生产环境，且常常在坏环境里跑」。一条能跑的脚本，和一条「可靠」的脚本之间，隔着幂等、重试、超时、可观测这四道坎。

1. 幂等。 脚本重跑必须安全。「创建资源」先查「有没有已存在」，「装软件」先判断版本，「发配置」用「先比对再改」。幂等是自动化能放心重试的前提，做不到幂等的脚本，故障时只能手动干。

2. 网络调用必带重试 + 超时。 裸 requests.get 一次失败就崩是运维脚本大忌。用 urllib3.Retry 或封装一层：

import requests
s = requests.Session()
s.mount("https://", requests.adapters.HTTPAdapter(
    max_retries=urllib3.Retry(total=3, backoff_factor=1,
                              status_forcelist=[502,503,504])))
r = s.get(url, timeout=10)   # 超时是硬需求，防挂死

3. 可观测。 脚本自己得留痕。结构化日志（JSON 或带时间戳）落到本地 + 上报，别只打 stdout（跑批完就没了）。失败要带上下文：哪一步、什么参数、什么返回。

4. 原子与事务。 改配置前先备份，操作到一半失败能回滚。数据库 DDL 包在事务里，文件操作用「写临时文件 + rename」。

5. 防御外部输入。 脚本接参数、读配置、收网络响应，都当成不可信输入处理，校验类型和边界。

经验法则： 一条好的运维脚本，满足「能幂等重跑 + 每步能留痕 + 失败能定位」。上线前问自己三遍：网络抖了会怎样？跑到一半崩了会怎样？半夜 3 点无人值守出错了，我能从日志还原现场吗？答得上来，脚本才算可靠。