站点监控与告警：可用性、证书、表单与爬虫异常
一、发现时间决定损失量级
先划边界：月度维护讲每月固定做什么事，备份演练讲备份能不能恢复，收录诊断讲收录异常怎么排查，本篇只讲一个前提性问题——这些动作被发现和触发的依据从哪来。没有监控，维护是盲走；有了监控，告警才指得到具体故障。
企业站的多数事故不是毁灭性的，而是慢性的：证书过期整站打不开、表单静默失败一周、收录数悄悄腰斩。各自损失一张表说清。
| 事故场景 | 无监控时的典型发现时间 | 有监控时的发现时间 | 直接后果 |
|---|---|---|---|
| 证书过期 | 1–7 天 | 到期前 30 天预警 | 全站不可访问，客户流失 |
| 表单静默失败 | 3–14 天 | 连续 2 次自检失败即告警 | 询盘全部丢失且无感 |
| 站点被挂马 | 数周 | 收录与内容异动告警 | 品牌词搜索结果被污染 |
| 收录数骤降 | 1–2 个月 | 周环比超阈值告警 | 流量持续下滑无人处理 |
| 主机宕机 | 数小时到数天 | 2 次连续探活失败告警 | 询盘中断 |
一句话：监控花钱买的不是软件，是发现时间。从周级压到分钟级，询盘损失从”整批丢”变成”漏几条”，这就是全部意义。
二、五类监控项与阈值总表
五类监控覆盖 B2B 官网的全部关键路径，阈值直接照抄可用。
| 监控类别 | 监控对象 | 推荐频率与阈值 | 告警条件 |
|---|---|---|---|
| 可用性 | HTTP 状态与响应时间 | 每 1–5 分钟探测一次，至少 2 个外部节点 | 连续 2 次失败；响应时间连续 3 次超 5 秒 |
| 证书与域名 | SSL 有效期、域名到期、DNS 记录 | 每日检查，到期前 30/14/7 天逐级预警 | 距到期不足 30 天；DNS 记录变更 |
| 表单与邮件 | 投递链路自检、退信 | 每 15–60 分钟提交一次自检 | 连续 2 次收不到自检提交；退信率超 2% |
| 爬虫与收录 | 重点 URL 抓取状态、收录数 | 每周核对一次收录与 sitemap 错误 | 收录数周环比下降超 20%；sitemap 出现新错误 |
| 备份与更新 | 备份任务结果、更新后冒烟 | 备份每日核对；组件更新后 1 小时内白屏检测 | 备份失败；更新后首页或表单页返回异常 |
这张表是全篇的核心，后面几节展开配置细节。判断配置是否到位的标准也简单：拿这张表逐行问”谁在看、多久看一次、异常了通知谁”，三问里有一问答不上来，那一行就等于没配。
三、可用性与证书域名的配置细节
可用性监控最容易配错的是探针位置和判定条件。
| 配置项 | 推荐做法 | 常见错误 |
|---|---|---|
| 探针节点 | 至少 2 个外部节点，跨地区（如 1 个海外 1 个国内） | 探针与被监控站同机，宕机时探针一起哑 |
| 探测路径 | 首页外加一个表单页和一个核心产品页 | 只测首页，CDN 缓存掩盖了内页故障 |
| 判定条件 | 连续 2 次失败才告警，响应时间阈值 5 秒 | 单次失败即告警，网络抖动天天吵人 |
| 探测间隔 | 1–5 分钟；重要站点取 1 分钟 | 30 分钟一次，宕机一小时后才响 |
证书与域名的时间表是全篇里最省事、收益最确定的一项，因为它是”提前通知”而不是”事后报警”。
| 检查项 | 预警时点 | 动作 |
|---|---|---|
| SSL 证书有效期 | 到期前 30 天、14 天、7 天各告警一次 | 核对自动续期任务是否在跑（Let’s Encrypt 证书 90 天一续） |
| 域名到期 | 到期前 60 天、30 天各提醒一次 | 确认注册商账号与续费方式有效，开启自动续费 |
| DNS 记录变更 | 变更即告警 | 非计划内的 A 记录、MX 记录变更第一时间核查 |
DNS 变更告警经常被省掉，但它恰好是域名劫持的第一个信号：解析被改走，站点本身毫无异常，流量却去了别人家。这项每天成本接近零，值得配上。
四、表单邮件与爬虫收录
表单监控的逻辑不是”页面能不能打开”，而是”提交之后东西有没有到”。页面正常而投递链路断掉，是 B2B 站最隐蔽也最贵的故障——客户以为询盘发出去了，你这边一封没收到。
| 监控手段 | 做法 | 判定与告警 |
|---|---|---|
| 自检提交 | 用脚本或第三方工具按 15–60 分钟一次提交测试询盘 | 收到测试询盘且字段完整为通过；连续 2 次失败告警 P0 |
| 收件端核对 | 自检邮箱按固定格式命名（如 test+时间戳@域名）便于过滤核对 | 未按时到达即断点在邮件层 |
| 退信监控 | 监控发件邮箱的退信通知 | 退信率超 2% 检查 SPF、DKIM、DMARC 配置 |
| 死链与交付复检 | 每季度人工走一遍真实表单流程 | 与自动自检结果比对，防止自检脚本自身失效 |
爬虫与收录监控不需要高频，每周一次足够，看三个指标：重点 URL（首页、核心产品页、询盘页）的抓取状态码、sitemap 提交后的抓取错误数、收录数周环比。收录数天然有波动，周环比下降 20% 以内不必紧张，超过 20% 或连续两周下滑才值得告警。抓取状态异常的具体排查方法在收录诊断一篇里有完整流程，监控只负责把”该去查了”这个信号准时送出来。备份任务结果每日核对成功与否即可，至于恢复能力本身，靠的是演练而不是监控。
五、告警分级、渠道与误报治理
全量告警等于无告警——手机响十次没人理，响第十一次的时候真事故就漏了。分级的核心是让不同严重度走不同渠道、找不同的人。
| 级别 | 判定标准 | 渠道与响应要求 |
|---|---|---|
| P0 | 站点不可访问超 5 分钟；表单连续 2 次投递失败；发现被挂马迹象 | 电话或即时通讯机器人直呼值班人，30 分钟内响应 |
| P1 | 证书距到期不足 14 天；收录数周环比降超 20%；响应时间持续超 5 秒 | 邮件加群通知，24 小时内处理 |
| P2 | 证书距到期 30 天提醒；备份单次失败但次日恢复；缓慢趋势类指标 | 进周报，例会过一遍 |
误报治理有一条硬规则：连续三个月内高频误报的监控项，要么调阈值要么关掉，没有第三种选择。每条告警规则必须挂归属人——收到告警没人认领的规则，约等于没配。常见的误报源及其处理：网络抖动导致的单次失败（用连续 2 次判定解决）、CDN 缓存导致内页故障测不到（增加表单页探测点）、邮件服务商标记测试邮件（固定测试邮箱加白名单）。
六、值守响应与新站上线清单
告警响了之后做什么，要在事发前定好。三级动作按时间推进：
| 响应级别 | 触发条件 | 动作 | 目标时限 |
|---|---|---|---|
| 第一级 | 单点故障、可快速恢复 | 重启服务、回滚最近一次更新 | 15 分钟内 |
| 第二级 | 第一级无效或故障面扩大 | 切换静态缓存页，保住对外可访问 | 1 小时内 |
| 第三级 | 短期修不好 | 停止猜测，公告并转外部支持处理 | 4 小时内 |
值守安排回答一个问题就够：谁能半夜处理。B2B 站不必 24 小时人工值守，但 P0 告警必须至少有一个能被半夜叫醒、且有服务器权限的人。没有这个人，监控配得再全也只是”第二天早上知道”。
新站交付时监控一次配齐，清单固定为五项监控加三个接收人。
| 交付必配项 | 内容 |
|---|---|
| 五项监控 | 可用性、证书域名、表单投递、收录周报、备份结果，按第二节阈值配置 |
| 三个接收人 | P0 值班人、P1 技术负责人、P2 日常对接人，各自渠道打通并做一次真实告警演练 |
七、用告警数据反推改进，以及什么时候不自建
监控不只是消防，还是改进入口的探测器。每季度做一次复盘，看三个数字：告警总条数、其中真实事故的比例、重复出现的故障类型。真实事故占比低于 30% 说明规则太吵要收敛；同一类故障一个季度出现两次以上，就该把它从”靠告警发现”升级成”永久修复”——比如邮件投递反复抖动，就该换发信方案而不是继续留着那条告警。这套复盘可以并入月度维护的季度版议题，例行推进。
什么时候不需要自建也要说清：多数 B2B 官网没有自建监控体系的必要。第三方探针服务的最小集三项——可用性、证书到期、表单投递——覆盖了损失最大的三类事故，成本接近零。自建只在两种情况下考虑：表单链路复杂到第三方探针测不了，或合规要求监控数据不出自有环境。按站点现状配齐这套监控与告警需要帮手的，可以联系我们。
FAQ 常见问题
写在最后
监控体系的全部价值可以折成一个公式：损失等于故障时长乘以单时间损失，监控把前者从天压到分钟。五类监控按第二节阈值配齐，三级告警按归属人打通，误报按季度收敛——这三件事做完，站点事故就从”灾难”降级成”待办”。
记住一句判断就够了：监控买的不是软件，是发现时间；告警规则没人认领，等于没配。