Python程序员必知：Linux实战命令与排障指南

1. 为什么Python程序员绕不开Linux：从一次线上事故说起

先讲一件真实经历。之前负责维护一个爬虫服务，本地Windows上跑得好好的，每十分钟抓一次数据，稳定运行了快一周。结果一部署到云服务器上，不到半天就挂了。远程连上去一看，进程还在，但日志文件已经膨胀到4个G，磁盘直接写满，MySQL连不上，整个服务链全崩。那次排查花了我将近三个小时，最后发现罪魁祸首是一行print——没错，就是Python里最常见的调试输出，在本地跑的时候终端能看到，但到了Linux后台用nohup启动之后，标准输出被重定向到了日志文件，每抓一次数据就写几百行日志，几分钟就能写满磁盘。

这个事故让我彻底明白了一件事：写Python代码只是工作的一半，另一半是让代码在Linux环境下稳定运行。Python是跨平台的语言，但Python程序员的工作环境几乎必然包含Linux——开发机可能是Windows或macOS，但代码最终要跑在Linux服务器上、跑在Docker容器里、跑在云函数中。如果只会写代码，不会用Linux命令去观察、定位、处理问题，出了问题就只能干瞪眼，连排查的入口都找不到。

这篇文章不是让你把Linux命令大全背下来，而是从Python程序员真实的工作流出发，挑出日常开发、调试、部署、排障中最常用、最能救命的那些命令，配合实际场景讲解。我尽量把每个命令的适用场景、常见坑、组合用法都讲透，让你看完能直接用到工作中。

2. 文件与目录操作：先看清楚“战场”再动手

Python程序员在Linux上做文件操作，通常不是为了打命令而打命令，而是带着明确目的：项目部署、日志清理、数据文件处理、配置文件修改。这几个场景对应的命令并不复杂，但组合起来能解决大部分问题。

2.1 ls、du、df：磁盘和文件状态一眼看穿

先说最基础的ls。很多教程只教你ls -l看权限，但实际工作中我最常用的是ls -lh，加一个h参数，文件大小会以人类可读的格式显示，ls -l显示的是字节数，一个日志文件显示成20485760你还得心算这是20M还是200M，ls -lh直接显示20M，一眼就知道该不该清理。

bash复制ls -lh
# -rw-r--r-- 1 root root 20M Sep 12 10:23 app.log

du命令用于统计目录占用空间，排查“服务器磁盘满了但不知道谁占的”这类问题最有用。我常用的组合是：

bash复制# 查看当前目录下每个子目录占用大小，按人类可读格式显示
du -sh *

# 查看当前目录占用总大小
du -sh .

s表示汇总，h表示人类可读。du -sh *会把当前目录下每个文件夹和文件的大小列出来，大到小的排序用管道接一个sort -hr：

bash复制du -sh * | sort -hr

df用来查看磁盘整体使用情况，df -h一眼就能看出哪个分区满了。这里有个Python程序员容易踩的坑：很多云服务器数据盘挂载在/data或/home下，而系统盘在/，代码默认装到/root或/var下，分区满了的表现就是程序突然报No space left on device，但你看代码目录明明还有空间。所以排查这类问题第一步就是df -h，先确认是哪个分区满了。

2.2 find + grep：在文件堆里精准定位

find是Python程序员处理批量文件时的利器，尤其是当你不想写Python脚本去遍历目录的时候——对，很多时候一条find命令比写十几行os.walk更高效。最常用的几个场景：

bash复制# 查找所有Python文件
find . -name "*.py"

# 查找最近7天内修改过的文件
find . -name "*.py" -mtime -7

# 查找并删除所有__pycache__目录
find . -type d -name "__pycache__" -exec rm -rf {} +

第三个命令非常实用。Python项目跑久了，每个包目录下都会生成__pycache__文件夹，里面是一堆.pyc缓存文件。在代码迭代频繁的项目里，这些缓存有时候会导致你明明改了代码却不生效——因为解释器优先加载了缓存文件。我习惯在每次大版本迭代后清理一次：

bash复制find . -type d -name "__pycache__" -exec rm -rf {} +

grep则是搜索文件内容的利器，通常和find配合形成完整方案。比如线上出了bug，你怀疑是某个配置导致的，但不确定配置在哪个文件里，可以这样搜：

bash复制# 在当前目录的所有.py文件中搜索包含"DEBUG"的行
grep -rn "DEBUG" --include="*.py" .

# 忽略node_modules、venv等目录的搜索
grep -rn "DEBUG" --include="*.py" --exclude-dir=venv --exclude-dir=.git .

-r是递归，-n是显示行号。这个组合在排查“配置到底有没有生效”这类问题时非常好用。比如环境变量配了DEBUG=True，但代码里走的分支不符合预期，直接grep一下所有引用点，立刻能定位到是哪个文件的哪个逻辑在作怪。

2.3 一个实例：从“磁盘满了”到“找到元凶”的完整过程

有一次线上告警说磁盘使用率超过90%，我登录服务器后是这么排查的：

bash复制# 第一步：确认哪个分区满了
df -h

# 第二步：进入代码部署目录，看哪个子目录占用最大
cd /opt/myproject
du -sh * | sort -hr

# 第三步：进入占用最大的目录，按文件大小排序找大文件
cd logs
ls -lhS | head -20

ls -lhS的S参数表示按文件大小排序，配合head取前几条，马上就能看到是不是有超大日志。那次找到的是一个debug.log，已经涨到7个G，因为某次上线时有人把日志级别从INFO调成了DEBUG，导致每一条API请求都会记录完整的请求体和响应体。这种问题如果你不会用这几个命令，可能要在服务器上翻半天才能找到原因。

提示：ls -lhS按文件大小降序排列，head -20只显示前20行。这个组合比du定位单文件更快，因为du主要用于目录，ls -lh加S排序能直接秒杀大文件定位。

3. 进程管理：让Python程序“活着”且“健康”

Python程序员最怕的几件事：服务挂了、服务假死（进程还在但不响应）、CPU被打满、内存泄漏。这些问题的排查和处理，靠的就是进程管理命令。

3.1 ps与top：盯住进程状态和资源占用

ps -ef是最常用的进程查看命令，-e表示显示所有进程，-f表示全格式输出。配合grep可以快速找到目标进程：

bash复制ps -ef | grep python