Linux 硬盘健康检测实战：SMART 体检、坏道排查与数据提前预警

为什么你的硬盘说挂就挂：SMART 体检的价值

很多 VPS 用户都经历过这样的场景：昨天磁盘 IO 还很正常，今天一觉醒来网站打不开，一查是磁盘故障，数据全没。机械硬盘的坏道是慢慢长大的，固态硬盘的闪存磨损也有迹可循，但默认情况下系统不会主动告诉你。

SMART（Self-Monitoring, Analysis and Reporting Technology，自我监测分析报告技术）就是硬盘内置的"体检系统"。它记录着硬盘每个重要部件的健康数据，比如重映射扇区数、待处理坏扇区数、通电时长、温度等。我们用 smartctl 就能把这些数据读出来，在硬盘真正报废之前提前预警，给备份留出时间。

这篇文章会完整演示：如何安装 smartctl、如何读懂 SMART 属性表、如何跑磁盘自检、如何用 smartd 自动告警、如何排查坏道，以及常见报错的解决办法。

第一步：安装 smartctl

smartctl 来自 smartmontools 软件包，Debian/Ubuntu 和 CentOS/Rocky 的安装命令分别是：

# Debian / Ubuntu
apt update && apt install -y smartmontools

# CentOS / Rocky / AlmaLinux
yum install -y smartmontools

# 验证安装
smartctl --version | head -n 2

安装完成后，先看一下系统里有哪些磁盘设备：

lsblk -d -o NAME,ROTA,SIZE,MODEL
# NAME   ROTA SIZE MODEL
# sda       1  2.7T VBOX HARDDISK
# sdb       1   40G VBOX HARDDISK
# nvme0n1   0  512G SAMSUNG MZVL2512HCJQ

ROTA 一列是 1 表示机械硬盘（旋转磁盘），是 0 表示 SSD/NVMe。下面先用机械盘 sda 演示，NVMe 的检查方法在后面的章节单独讲。

读懂 smartctl 输出：先看这三条命令

1. smartctl -i：硬盘基本信息

smartctl -i /dev/sda

输出中重点看这几个字段：

=== START OF INFORMATION SECTION ===
Device Model:     WDC WD20EZRZ-00Z5HB0
Firmware Version: 80.00A80
User Capacity:    2,000,398,934,016 bytes [2.00 TB]
SMART support is: Available - device has SMART capability.
SMART support is: Enabled

如果看到 SMART support is: Available 而 Enabled 一栏是 Disabled，用下面命令打开它：

smartctl -s on /dev/sda

2. smartctl -H：一句话健康结论

smartctl -H /dev/sda

SMART overall-health self-assessment test result: PASSED

这是最直接的判断：PASSED 表示各项属性都还没越过阈值，FAILED 表示硬盘已经处于不可靠状态，马上备份数据。

3. smartctl -a：完整属性表（重点）

smartctl -a /dev/sda

输出很长，核心是中间那张属性表。真正需要关心的属性其实就这几个：

ID# ATTRIBUTE_NAME          FLAG     VALUE WORST THRESH TYPE      UPDATED  WHEN_FAILED RAW_VALUE
  1 Raw_Read_Error_Rate     0x002f   200   200   051    Pre-fail  Always       -       0
  5 Reallocated_Sector_Ct   0x0033   200   200   140    Pre-fail  Always       -       0
 10 Spin_Retry_Count        0x0032   100   100   097    Old_age   Always       -       0
194 Temperature_Celsius     0x0022   118   109   000    Old_age   Always       -       32
197 Current_Pending_Sector  0x0012   200   200   000    Old_age   Always       -       0
198 Offline_Uncorrectable   0x0010   200   200   000    Old_age   Offline      -       0
199 UDMA_CRC_Error_Count    0x003e   200   200   000    Old_age   Always       -       0

解读要点：

VALUE / WORST：数值越大越好（越接近 200 越健康），降到 THRESH 以下就该报警。
RAW_VALUE：原始计数值，直接反映问题数量。第 5、197、198 三项的 RAW_VALUE 只要大于 0，就得警惕了。
5 Reallocated_Sector_Ct（重映射扇区数）：硬盘发现坏扇区后自动用备用扇区替换，这个数字就是已经换过的数量。数值持续增长 = 坏道正在扩散。
197 Current_Pending_Sector（待处理扇区）：读写异常、等待重映射的扇区数。大于 0 说明磁盘已经在挣扎。
198 Offline_Uncorrectable（无法纠正的扇区）：已经彻底读不出来的扇区数，大于 0 就是有坏道了。
199 UDMA_CRC_Error_Count（接口校验错误）：多为数据线/接口接触不良引起，先换线再看。
194 Temperature_Celsius：RAW_VALUE 就是摄氏温度，机械盘超过 55°C、SSD 超过 70°C 就要注意散热。

跑一遍磁盘自检：smartctl -t

属性表是硬盘的"体检报告"，自检则是主动"做检查"。三种自检类型：

# 短自检：2 分钟左右，检查关键部件
smartctl -t short /dev/sda

# 长自检：1 小时以上（取决于磁盘大小），全盘扫描
smartctl -t long /dev/sda

# 输送自检：专测运输途中损坏，一般不需要
smartctl -t conveyance /dev/sda

自检在后台执行，可以随时查看进度：

smartctl -l selftest /dev/sda

=== START OF READ SELF-TEST LOG ===
Num  Test_Description    Status                  Remaining  LifeTime(hours)  LBA_of_first_error
# 1  Extended offline    Completed without error       00%       12876         -
# 2  Extended offline    Completed: read failure       10%       12790         43018688

看到 Completed without error 就放心；如果出现 Completed: read failure，后面的 LBA_of_first_error 就是坏道所在的逻辑扇区地址，记下来备用。跑长自检建议选在半夜，避免影响线上业务。

让它自己盯着：smartd 守护进程自动告警

手动查太累，正确姿势是用 smartd 常驻监控，硬盘一出问题立刻告警。编辑配置文件：

vim /etc/smartd.conf

最常用的监控规则（把下面几行加到文件末尾）：

# 每 30 分钟检查一次 sda，温度阈值 55°C，属性变化就发邮件
/dev/sda -a -m root@example.com -M test -s (S/../.././02|L/../../7/03) -d sat -n standby,q -W 0,45,55

参数解释：

-a：监控所有 SMART 属性，变化或越阈值即告警。
-m 邮箱：告警邮件发到哪里。
-M test：启动时先发一封测试邮件，验证告警链路通畅。
-s (S/../.././02|L/../../7/03)：定时计划，S 表示每天凌晨 2 点跑短自检，L 表示每周日凌晨 3 点跑长自检。
-d sat：磁盘走 SATA 接口的固定写法（后面排错章节会讲为什么）。
-n standby,q：磁盘休眠时跳过检查，避免把盘唤醒。
-W 0,45,55：温度告警，45°C 提醒、55°C 告警。

保存后重载服务：

systemctl restart smartd
systemctl status smartd --no-pager
# 查看启动日志有没有报错
journalctl -u smartd -n 20 --no-pager

邮件发送依赖本机 MTA（如 Postfix）。没有邮件环境的话，可以把 -m 换成脚本：

# 告警时执行 /usr/local/bin/disk_alert.sh
/dev/sda -a -M exec /usr/local/bin/disk_alert.sh

在 /usr/local/bin/disk_alert.sh 里写你自己的推送逻辑，比如发到钉钉/飞书/Server酱：

#!/bin/bash
# 简单的钉钉机器人推送示例
MSG="[磁盘告警] 服务器 $(hostname) 的 /dev/sda 硬盘出现异常，请立即检查！"
curl -s -X POST "https://oapi.dingtalk.com/robot/send?access_token=YOUR_TOKEN" \
  -H "Content-Type: application/json" \
  -d "{\"msgtype\":\"text\",\"text\":{\"content\":\"$MSG\"}}"

chmod +x /usr/local/bin/disk_alert.sh

坏道排查：badblocks 与 fsck

如果 SMART 显示有坏扇区，先用 badblocks 做只读检查，确认坏道范围：

# 只读扫描全盘（不破坏数据），4M 块并行 64 个线程，比较快
badblocks -sv -b 4096 -c 65536 /dev/sda

# 只扫描从第 100GB 开始的一段区域
badblocks -sv -b 4096 -c 65536 -o /root/badblocks.txt /dev/sda 209715200 104857600

参数说明：-s 显示进度，-v 显示详细信息，-b 4096 指定块大小，-c 每次测试的块数，-o 文件 把坏块列表写入文件。注意坏块数字的单位是"块"（块大小 4096 字节时，1 块 = 4KB）。

重要提醒：不要对数据盘跑 badblocks -w（写入模式），它会抹掉整盘数据。只有确认是空盘或准备报废的盘才用写入模式。对正在用的数据盘，只读扫描 + SMART 就够判断了。

文件系统层面，可以在只读模式下检查：

# ext4 文件系统只读检查（先卸载或用只读挂载）
e2fsck -f -n /dev/sda1

# 查看检查结果
e2fsck -f -p /dev/sda1   # -p 自动修复，只建议在维护窗口执行

如果坏道集中在文件系统层面报错而 SMART 还没报，可能是逻辑坏道（文件系统损坏），格式化或重写后可能恢复；SMART 里的物理坏道则是不可逆的。

NVMe 固态盘怎么查：nvme-cli

NVMe 盘不走 SMART 这套接口，用 nvme-cli：

# 安装
apt install -y nvme-cli    # 或 yum install -y nvme-cli

# 查看设备
nvme list

# 查看健康信息
nvme smart-log /dev/nvme0n1

重点关注这几项：

nvme smart-log /dev/nvme0n1
Smart Health Information Log for NVME device:nvme0n1
critical_warning                    : 0
temperature                         : 42 C
available_spare                     : 100%
percentage_used                     : 3%
data_units_written                  : 2,048,130
host_read_commands                  : 8,231,055,442
media_errors                        : 0

critical_warning：非 0 就说明有严重问题（如备用空间不足、温度过高）。
available_spare：剩余备用块百分比，降到 10% 以下该换盘了。
percentage_used：寿命消耗百分比，到 100% 说明写寿命耗尽（但通常还能读）。
media_errors：介质错误计数，大于 0 说明盘在报错。

排错实战：常见报错与解决办法

报错 1：Device is SMART supported: No

三种原因最常见：

# 1. 设备名不对，试试带分区的盘
smartctl -a /dev/sda1

# 2. 老盘或 USB 转接盘不支持 SMART
#    用 lsusb 看是不是 USB 转 SATA 桥接，很多桥接芯片不做 SMART 透传

# 3. 虚拟机里虚拟磁盘。KVM/QEMU 的 virtio 盘可以开虚拟 SMART：
#    宿主机上给虚拟机加参数
#    -device virtio-blk-pci,drive=drive0,smart=on

报错 2：Permission denied

# 普通用户执行加 sudo
sudo smartctl -a /dev/sda

# 或把用户加入磁盘组
usermod -aG disk $USER

报错 3：Device open failed, device busy

# 磁盘正在被挂载使用，SMART 查询是只读操作，通常不会冲突；
# 若确实失败，先卸载再查（业务停机窗口内）
umount /dev/sda1 && smartctl -a /dev/sda

报错 4：SATA 盘识别为 "Unknown USB bridge"

外接硬盘盒/USB 转 SATA 的盘，命令要加 -d sat：

smartctl -a -d sat /dev/sdb

报错 5：VPS 上 SMART 数据全是 0 或不变

大多数 VPS 用的是虚拟化存储（网络磁盘、云盘快照底层），宿主根本不给虚拟机透传真实 SMART 数据。这时候 smartctl 查出来没意义，改用云厂商控制台里的"磁盘监控"，或者用 iostat -x 1 看 IO 延迟/利用率曲线来判断云盘健康：

iostat -x 1 5

排错模板：SMART 数值波动怎么看

# 看属性随时间的变化，建议每天跑一次并留存
smartctl -a /dev/sda | grep -E "(Reallocated|Current_Pending|Offline_Uncorrectable|Temperature)"
# 连续三天同一属性 RAW_VALUE 单调增长 = 问题在恶化，启动备份并计划换盘

自动化巡检：一行命令看到所有盘的健康状态

把巡检做成 cron 任务，每天跑一次并输出报表：

cat > /usr/local/bin/disk_check.sh <<'EOF'
#!/bin/bash
# 遍历所有物理盘，打印健康状态与关键属性
for dev in $(lsblk -d -o NAME -n | grep -vE 'loop|ram'); do
    echo "========== /dev/$dev =========="
    smartctl -H /dev/$dev | grep -E "SMART overall|Device"
    smartctl -a /dev/$dev | grep -E "(Reallocated_Sector|Current_Pending|Offline_Uncorrectable|UDMA_CRC|Temperature_Celsius)" | awk '{print $2, $NF}'
done
EOF
chmod +x /usr/local/bin/disk_check.sh

# 每天 8 点执行，结果追加到日志
crontab -l 2>/dev/null; echo "0 8 * * * /usr/local/bin/disk_check.sh >> /var/log/disk_check.log 2>&1" | crontab -
# 手动执行一次验证
/usr/local/bin/disk_check.sh

看到 Reallocated_Sector_Ct 或 Current_Pending_Sector 的 RAW_VALUE 开始大于 0 且持续增长，就按这个优先级处理：先异地备份、再降低磁盘负载（迁移数据）、最后在维护窗口换盘。

总结：硬盘健康检查的黄金动作清单

把下面这几件事固化到你的运维习惯里，比任何优化都值钱：

装机必查：新盘到手先 smartctl -a 看一眼有没有二手货痕迹（通电时长 Power_On_Hours 异常偏高就要找商家）。
日常监控：smartd 常驻 + 温度阈值 + 告警脚本，坏盘第一时间知道。
定期自检：每周一次长自检，结果对比 smartctl -l selftest 日志。
关注三项指标：Reallocated_Sector_Ct、Current_Pending_Sector、Offline_Uncorrectable，任一不为 0 就开始备份。
永远有备份：SMART 只能预警，不能保命。数据备份 3-2-1 原则（3 份副本、2 种介质、1 份异地）才是最终防线。

硬盘是服务器里唯一一个"会提前告诉你死期"的部件，SMART 就是那个预告机制。学会读懂它，你的 VPS 数据就能多活好几年。