4.9 KiB
title, description, pubDate, updatedDate, category, tags, ogImage, banner, draft
| title | description | pubDate | updatedDate | category | tags | ogImage | banner | draft | |||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| smartctl 退出码 32：专门跳过你最该看的硬盘的那个“错误” | 把 smartctl 的任何非零退出码当成读取失败的监控脚本，恰好会跳过属性已经逼近阈值的那些盘。退出码 32 不是错误，而是一段历史。 | 2026-04-14 | 2026-09-29 | notes |
|
/og/zh-smartctl-exit-code-32-skips-the-disks-that-matter.jpg | /banners/smartctl-exit-code-32-skips-the-disks-that-matter.jpg | false |
我的硬盘健康采集脚本连续几周都是「全绿」。每块盘都有温度、通电小时数和 SMART 结论，指标看起来完整——直到我数了一下只有 4 块 SSD 里的 2 块。
不是故障，是消失了。脚本认定这两块盘不存在。
问题出在把退出码当布尔值
采集脚本遍历块设备、对每块盘跑 smartctl、再写 Prometheus textfile 指标。错误处理看起来挺防御：
for dev in /dev/sd?; do
if ! smartctl -A -H "$dev" > /tmp/smart.out 2>&1; then
continue # "盘不支持 SMART / 读不到"
fi
# 解析并输出指标
done
if ! cmd 是布尔判断，但 smartctl 的退出状态不是布尔值，是一个位域。把位域当真假用，就是这次翻车的原因。
退出码 32 的真实含义
man smartctl 里这些位是独立累加的：
| 位 | 值 | 含义 |
|---|---|---|
| 0 | 1 | 命令行解析失败 |
| 1 | 2 | 设备打开失败 / 无 IDENTIFY DEVICE 结构 |
| 2 | 4 | SMART 或 ATA 命令失败、校验和错误 |
| 3 | 8 | SMART 状态为 DISK FAILING |
| 4 | 16 | 有预失效属性 <= 阈值 |
| 5 | 32 | SMART 状态 OK，但某些属性曾经低于阈值 |
| 6 | 64 | 设备错误日志中有记录 |
| 7 | 128 | 自检日志中有失败记录 |
所以 32 的意思和「读不到盘」正好相反：现在没问题，但它曾经踩过阈值。 这正是应该持续盯着的那类盘——而我的脚本把它们丢掉了。
消失的两块盘，恰好是原始属性长期处在边缘值的那两块；退出码为 0 的「健康盘」被正常采集。这个过滤器实际上筛选出了「没有任何历史可报告」的盘。
修法：把「信息位」掩掉
对监控来说，位 32 和 64 是信息；位 8 和 16 才是该告警的。掩掉信息位，只对剩下的做判断：
smartctl -A -H -d sat "$dev" > /tmp/smart.out 2>&1
rc=$?
# fatal bits: 1 (parse), 2 (open), 4 (command/checksum), 8 (FAILING)
# informational bits: 32 (was below threshold in the past), 64 (error log has records)
fatal=$(( rc & ~(32 | 64) ))
if [ "$fatal" -ne 0 ]; then
echo "device $dev unreadable or failing (rc=$rc)" >&2
continue
fi
# emit the verdict AND the exit code, so the code itself is a metric
echo "disk_smart_exit_code{device=\"$dev\"} $rc"
echo "disk_smart_health{device=\"$dev\"} $(( rc & 8 ? 0 : 1 ))"
三点改变：
- 退出码变成数据，而不是控制流。 它作为指标被导出，磁盘从
0→32→64的漂移会变成趋势，而不是一次静默跳过。 - 信息位不再致命。 有历史的盘被采集，这才是监控它们的目的。
- NAS 上
-d sat很关键。 在 Synology DSM（以及某些 USB 桥接）上，设备类型不对时smartctl拿不到有用输出——症状同样是「盘消失」，原因却不同。
我下次会怎么做
- 面对有「退出码位域」文档的工具，永远不要写
if ! cmd。 先把手册里的退出码那节读完。 - 除了「采集器有没有跑」，还要数「采到了几块盘」。 我的告警是「采集器过期」，真正的 bug 是「采集器正常跑了，只报了 50% 的盘」。一个
disk_count指标就能立刻暴露。 - 把「这个设备没有数据」本身当成可告警状态。 缺失的序列是不可见的，所以它存活了好几周。
结果
采集器从 2 块可用盘变成 4 块，每块都报温度、通电小时数、SMART 状态和原始退出码——共 122 个 textfile 指标，包括我真正想要的 btrfs 错误计数。重新出现的那两块，正是长期处在边缘属性值的盘。
一个会跳过自己最坏信号的监控流水线，比没有监控更糟——因为它一直告诉你一切正常。
需要为你的业务做这个吗？
如果你在跑 NAS 或服务器机架，想让硬盘健康真正「会通知你」——SMART 属性、温度、btrfs/RAID 错误计数，并推到 Telegram 或邮件——这类自托管监控流水线我可以帮你搭。
WhatsApp：+60 12-797 2969 · 邮箱：[email protected] · hoelee.com
网站设计与开发是我的主业；服务器加固与自托管基础设施是它的另一半。