干运维的谁没跟 Zabbix 打过几次照面我刚开始接手监控平台那会儿几乎天天都在跟各种报错死磕装完服务打不开页面、数据库授权失败、主机加进来一直显示红色 ZBX、监控项 not supported、告警消息发不出去……今天这篇就当是个人踩坑笔记把这些年调 Zabbix 遇到的报错和排查思路整理成一个集锦覆盖从安装部署、初始化配置到日常监控与告警联动的完整链路。不管是刚准备搭 Zabbix 的新手还是在生产环境里被问题折腾到头疼的老手希望这份整理能帮你少走几步弯路。1. 安装部署阶段先别急着装这几个大坑一定要知道1.1 经典报错Access denied for user replace_userlocalhost这个报错我见过太多次了尤其是跟着网上零散的教程一步步装 Zabbix 6.0 或 7.0 的时候走到导入数据库这一步突然冒出来一句ERROR 1045 (28000): Access denied for user replace_userlocalhost (using password: YES)很多人都懵了我什么时候创建过 replace_user 这个用户其实谜底就在源码包的 SQL 文件里。Zabbix 源码包里的database/mysql目录下存放的是模板 SQL 文件并没有默认数据库密码。老版本用的create.sql.gz里就把初始化用户名写死了如果直接在命令行里执行导入它就会尝试用replace_user去连数据库自然被 MySQL 拒绝。我当时用来绕开这个坑的思路是先手动建一个独立账号再按顺序导表最后才让 Zabbix 前端去连这个库。这样既规避了 replace_user 的问题后续权限也好管理不用把 root 密码直接写在 web 配置里。先创建数据库和专属用户mysql -uroot -p CREATE DATABASE zabbix CHARACTER SET utf8mb4 COLLATE utf8mb4_bin; CREATE USER zabbixlocalhost IDENTIFIED BY YourPassword; GRANT ALL PRIVILEGES ON zabbix.* TO zabbixlocalhost; FLUSH PRIVILEGES;然后进入源码包里的database/mysql目录按顺序导入。5.0 以前的版本通常是一个create.sql.gz6.0 之后拆成了三个文件顺序不能乱zcat schema.sql.gz | mysql -uzabbix -pYourPassword zabbix zcat images.sql.gz | mysql -uzabbix -pYourPassword zabbix zcat data.sql.gz | mysql -uzabbix -pYourPassword zabbix注意密码含特殊字符时在命令行里最好加上单引号包裹比如-pYourPssword防止 shell 把$、这类符号提前解析掉否则你会看到一个更诡异的授权失败。导完表之后再去 web 页面配置数据库连接填上 zabbix 用户和新密码一路点下一步基本就能过。这个报错最烦人的地方在于网上搜索出来的结果往往让你去改zabbix_server.conf或者重启 mysql其实根子就在初始化导库这一步把顺序理顺就没那么多事。1.2 PHP 环境检查不通过时区与依赖一个都不能少Zabbix 的 web 前端对 PHP 版本和扩展的要求非常严格。装 6.0 至少要 PHP 7.4装 7.0 就得 PHP 8.0 以上。如果你用发行版自带的软件源装 PHP版本太老打开安装向导就会看到类似PHP version 7.4.3 does not satisfy minimum requirement of 8.0.0很多朋友在这个地方卡了很久其实解决办法是给系统添加对应的第三方软件源再把 PHP 升上去。比如 CentOS/Rocky 上用 EPEL 和 Remi 源然后执行yum module reset php加上yum module install php:remi-8.2这类操作装完再确认php -v已经是新版本。版本对了之后还会碰到扩展缺失的提示常见的有bcmath、mbstring、gd、xml、ldap等。报错信息里写着哪个就装哪个用发行版的包管理器安装即可。这时候有一个特别隐蔽的坑PHP 的date.timezone没设置。安装向导会一直挂着一个 Warning虽然能继续装但后续监控图形里的时间会整体偏移 8 小时触发器的时间判断也会跟着出问题排查起来非常痛苦。我一般直接在php.ini里改成date.timezone Asia/Shanghai改完记得重启 php-fpm 或 Apache让配置生效再刷新安装向导页面那个警告就会消失。1.3 Server 和 Agent 启动失败多半是配置文件参数没对齐安装完成、数据库也初始化好后systemctl start zabbix-server一执行很多人直接被结果搞蒙服务起不来或者起来了又停。这时候第一件事不是翻报错而是去看日志tail -f /var/log/zabbix/zabbix_server.log我见过最多的是两类。一类是 socket 文件目录权限问题日志里会写cannot bind socket to /var/run/zabbix/zabbix_server_alerter.sock这种通常是/var/run/zabbix目录属主不对把目录属主改成 zabbix 用户就行。另一类更常见是 agent 端的配置和 server 端对不上agent 反复重启日志里刷连接失败。Agent 的配置文件一般叫zabbix_agentd.conf里面这三个参数必须认真核对Server127.0.0.1,192.168.10.10 ServerActive192.168.10.10 HostnameZabbix serverServer表示允许谁来被动采集。ServerActive表示 agent 主动往哪个 server 上报数据。Hostname必须和前端页面添加主机时的名称完全一致否则主动模式拿不到数据前端会一直显示“ZBX 不可用”。我第一次搭的时候就是忘了改 Hostname前端怎么加都报 agent 不可达折腾到半夜才发现是名字没对上。2. Web 界面与初始化向导和日常页面里的坑2.1 安装向导卡住或直接白屏数据库导好了PHP 也没问题但打开http://你的IP/zabbix后要么安装向导白屏要么点了下一步之后一直转圈没反应。白屏的排查方向我建议按这个顺序来先确认 php-fpm 进程是否在运行再看 PHP session 目录是否可写最后看浏览器控制台有没有 500 或者 502。很多发行版安装 PHP 之后/var/lib/php/session这个目录的属主是 rootWeb 服务用户写不进去Zabbix 前端初始化时无法写 session就会直接白屏。处理办法也很简单chown -R nginx:nginx /var/lib/php/session注意把 nginx 换成你实际使用的 web 用户Apache 的话一般是 apache 或 www-data。这个问题在 CentOS、Rocky 和 Ubuntu 上我都遇到过几乎是必踩项。另外如果你用的是 Nginx PHP-FPM 而不是 Apache还需要确认 Nginx 配置文件里的fastcgi_pass指向的是 PHP-FPM 监听的套接字或端口。很多教程里告诉你改 Nginx 配置但不同发行版的默认路径不一样改错一个字符整个页面就是 502。2.2 “Cannot connect to the database”排查三部曲安装向导走到数据库配置那一步填好账号密码之后前端报出这句Cannot connect to the database.这个报错看起来直接但原因可能藏在四五个地方。我现在的排查习惯是固定的三步第一步先确认数据库服务本身在监听网络端口。有些 MySQL 部署把skip-networking打开了本机用mysql -uzabbix -p能连但 web 服务通过网络连不进去。用一条命令验证mysql -h127.0.0.1 -uzabbix -pYourPassword -e select 1;如果这里提示连接失败检查 MySQL 配置文件里是否有skip-networking去掉之后重启。第二步确认 Zabbix 数据库用户的主机匹配关系。MySQL 的授权是“用户 来源主机”双重绑定的你只授权了zabbixlocalhost但 web 端实际用了127.0.0.1去连一样会被拒。在 MySQL 里检查SELECT user, host FROM mysql.user WHERE userzabbix;如果只有localhost就补一个zabbix127.0.0.1或者直接授权给%然后FLUSH PRIVILEGES。第三步看 web 配置文件里的数据库参数有没有填错。Zabbix 前端的数据库连接信息在zabbix.conf.php里确认$DB[SERVER]、$DB[USER]、$DB[PASSWORD]这三项和实际一致。这个文件路径在不同发行版上不太一样最稳的查找方式是find / -name zabbix.conf.php 2/dev/null。补充一个生产环境里遇到的真实案例数据库主机名填了localhost前端 PHP 解析走的是 IPv6 的::1而 MySQL 只监听了 IPv4导致连接被拒。把主机名改成127.0.0.1后立刻恢复正常。所以 Web 服务器和数据库在同一台机器时别迷信 localhost直接写 IP 反而更省事。2.3 图形中文乱码字体替换三板斧Zabbix 默认带的字体不支持中文监控图形里只要主机名或者监控项名称带中文渲染出来全是一排排小方块完全没法看。这个问题不影响监控数据但影响你每天打开大屏时的观感尤其要给领导汇报的时候满屏方块真的很尴尬。解决办法三步走第一取一个支持中文的 TTF/TTC 字体文件比如从 Windows 系统目录下拷贝一个msyh.ttc微软雅黑或者下载开源字体文泉驿正黑。第二把字体文件上传到 Zabbix 前端的字体目录里常见路径有/usr/share/zabbix/assets/fonts、/usr/local/share/zabbix/assets/fonts不同发行版路径不同找带有DejaVuSans.ttf的目录就行。第三修改前端字体配置把默认字体名替换为新字体。有些版本的 Zabbix 在zabbix.conf.php里直接有$DB[GRAPH_FONT_NAME]配置改成你字体文件的完整名称例如$DB[GRAPH_FONT_NAME] msyh;改完清一下浏览器缓存再强制刷新页面中文图形就正常了。如果用的 Zabbix 7.0部分前端页面还支持在Administration - General - Other里直接配置默认字体把字体名称填进去效果一样。3. 监控数据采集主机添加不上与监控项拿不到数据3.1 主机列表显示红色 ZBX先分清主动模式和被动模式前端添加完一台新主机过一会儿去看状态列出现一个红色的 ZBX说明 Zabbix Server 跟 Agent 之间的连接出了问题。但连接问题分很多种我不建议一上来就盯着防火墙先把数据流向理清楚。Zabbix 有两种模式。被动模式下是 Server 主动连 Agent 的 10050 端口去拉数据主动模式下是 Agent 主动连 Server 的 10051 端口上报数据。如果你前端主机配置的是被动模式检查顺序是先在 Server 上用telnet 主机IP 10050测试端口通不通再确认 Agent 进程是否在运行最后检查防火墙和 SELinux。如果端口不通大概率是防火墙拦截放行端口即可firewall-cmd --permanent --add-port10050/tcp firewall-cmd --reload如果前端是一个灰色状态那个代表不支持主动模式需要重点看 Agent 配置里的ServerActive和Hostname是否和前端一致。这里放一个可用性状态的速查表状态含义优先排查方向绿色 ZBXAgent 在线可用无需处理红色 ZBXServer 连不上 Agent10050 端口、防火墙、Agent 进程灰色主动模式不可用ServerActive、Hostname 匹配无标签尚未开始采集等待下一次刷新周期3.2 Not supported 与 Timeout监控项拿不到数据的六大原因监控项状态变成not supported或者timeout算是 Zabbix 日常使用里出现频率最高的报错之一。点进监控项详情会看到一行具体错误信息不同错误的处理方式差距很大我直接整理成几个最典型场景。第一种key 写错了。Zabbix 的 key 有固定格式比如system.cpu.load[percpu,avg1]中括号里的参数一个都不能多不能少。写错的话会直接提示Invalid key。解决方式是用页面上的“测试”按钮输入 key 试一下返回结果。第二种Agent 配置里没有定义这个 key。比如你想采集一个自定义脚本但没有在zabbix_agentd.conf里写UserParameter报错就非常直接。自定义 key 的写法UserParametermy.check,/usr/local/bin/my_check.sh改完配置后重启 agent再用zabbix_get远程验证。第三种脚本执行超时。UserParameter调用的脚本默认执行时间很短如果脚本逻辑复杂、网络请求慢很容易触发 timeout。这时候把 agent 配置文件里的Timeout参数调大一般设置成 10 秒或者 30 秒足够。第四种外部检查和网络探测类 key 依赖 fping。像icmpping、icmppingloss这类 key 如果没安装 fping会报fping: not found。装好 fping 还要注意 setuid 权限否则非 root 用户调用时还是会失败。第五种权限问题。Agent 进程以普通用户身份运行但脚本需要读取 root 才能读的文件或者脚本本身没有执行权限都会导致采集失败报错信息一般是 permission denied。第六种时间不同步。Server 和 Agent 的系统时间差太多某些校验严格的场景会出现奇怪报错最稳妥的做法是用 NTP 统一时间。3.3 自监控“Host unreachable”却实际可用这是个隐蔽问题比红色 ZBX 更迷惑的是Zabbix 自己监控自己前端却一直报Host unreachable但用浏览器访问 web 界面、用zabbix_get测本机 agent 全都是正常的。这种情况大概率是“监听地址不匹配”导致的。Zabbix Server 的默认配置会监听所有网卡但前端添加“Zabbix server”这台主机时接口 IP 填的是127.0.0.1。如果 Agent 配置文件里的Server参数只写了内网 IP 而没有包含 127.0.0.1那么 Server 从 127.0.0.1 去连 AgentAgent 一看来源 IP 不在允许列表里直接拒绝于是自监控一直报不可达。我当时的解法是把前端里“Zabbix server”主机的接口 IP 改成实际内网 IP同时确认 Agent 配置里Server包含了这个内网 IP两边对齐后问题立刻消失。这种问题最大的坑在于表面看起来一切正常数据也在采集但告警一直在刷非常容易让人误判为网络故障。4. 告警与联动钉钉通知、误报与告警风暴4.1 Zabbix 7.0 联动钉钉脚本和 Webhook 的常见报错Zabbix 和钉钉的联动是现在告警通知的主流方案当年我在生产环境接第一套钉钉告警时也是被各种错误码折磨得不轻。钉钉群自定义机器人的安全设置有三种自定义关键词、加签、IP 白名单。最容易踩的坑集中在这几个报错上。第一个错errcode: 310000, errmsg: keywords not in content。这是你在群里配置了关键词但消息内容里没带这个词。比如关键词设了“告警”那消息正文里必须包含“告警”二字否则钉钉拒绝发送。第二个错errcode: 310000, errmsg: sign not match。这是加签模式下签名计算错误。加签要求把时间戳和密钥做 HMAC-SHA256 加密再 base64 编码最后还要做一次 URL 编码拼接在 Webhook 地址后面。很多脚本死在少了最后一步 URL 编码上。第三个错中文内容乱码或发送失败。脚本里发 HTTP 请求时如果没正确设置 JSON 编码中文会变成UnicodeEncodeErrorPython 脚本尤其常见。用json.dumps保证数据序列化正确再指定Content-Type: application/json基本就能解决。我自己常用的一段 Python 加签脚本核心逻辑是这样的import time import hmac import hashlib import base64 import urllib.parse import requests secret SEC你的密钥 timestamp str(round(time.time() * 1000)) string_to_sign f{timestamp}\n{secret} hmac_code hmac.new( secret.encode(utf-8), string_to_sign.encode(utf-8), digestmodhashlib.sha256 ).digest() sign urllib.parse.quote_plus(base64.b64encode(hmac_code)) webhook https://oapi.dingtalk.com/robot/send?access_token你的Token url f{webhook}timestamp{timestamp}sign{sign} data { msgtype: text, text: { content: 【Zabbix告警】服务器CPU负载过高请及时处理 } } resp requests.post(url, jsondata) print(resp.text)重要提醒机器人 Webhook 地址和密钥相当于告警通道的钥匙千万别写进公开的配置仓库。密钥一旦泄露任何人都可以向你的钉钉群发垃圾消息。另外 Zabbix 7.0 新版的 Webhook 媒体类型做得已经比较完善能配置钉钉、企业微信等。如果脚本方案维护成本高可以用官方 Webhook 方案但要注意不同版本之间字段名有差异升级后需要重新测试一遍。4.2 闪断误报与告警风暴别让告警变成狼来了告警配好之后接下来困扰人的就是误报。最常见的情况是某个监控项值只在某一瞬间超过了阈值触发器立刻触发过一分钟又恢复了于是告警事件刷个不停。这种“闪断误报”特别容易让人对告警系统失去信任。我常用的优化思路有三个。第一给触发器加“恢复延迟”也就是要求问题持续一定时间才触发告警比如nodata(5m)或者min(5m)配合触发器表达式避免网络抖动造成的瞬间采样超阈值。第二用趋势类函数替代瞬时值比如avg(//10m)表示最近 10 分钟的平均值这样偶尔一两次尖峰不会触发告警。第三触发器表达式里设置恢复条件表达式确保只有问题持续存在时才维持告警状态。举一个 CPU 告警的例子优化前system.cpu.util[,idle].last()10优化后avg(system.cpu.util[,idle],5m)10 and nodata(system.cpu.util[,idle],5m)0这样 5 分钟内 CPU 空闲持续低于 10% 才告警比只看最后一条数据的抖动小很多。告警风暴的另一个常见来源是“主机批量宕机”比如交换机断电导致几十台机器同时不可达告警消息瞬间刷屏。建议对网络设备做单独的网络监控模板对服务器批量宕机场景使用业务分组和聚合告警把噪音降下来才能让真正重要的告警被第一时间看到。5. 模板、数据处理与面试高频题5.1 模板导入报错版本与依赖是最大杀手从社区下载一个模板再用 Zabbix 前端的导入功能上传时有两条高频报错Cannot import template: invalid XML和Template already exists。先说 invalid XML。模板文件本身是一个 XML 结构开头长这样?xml version1.0 encodingUTF-8? zabbix_export version6.0/version template_groups ...如果你从 Zabbix 5.0 导出的模板直接导入到 4.0 版本或者反过来报错的概率极高因为version字段对应的结构和 4.0 不兼容。这时候要么找对应版本范围的模板要么对模板文件做低版本兼容性改造。还有一个容易忽略的原因模板文件的编码不是 UTF-8从某些文本编辑器另存为 UTF-8 后重新导入即可。再说 Template already exists。这个很好理解库里已经存在同名模板。解决办法是导入时选择“更新已有模板”或者先把旧模板删了再导入。但要注意如果旧模板已经关联了监控主机删除模板会导致这些主机的监控项被清除操作前必须确认影响范围。另外就是模板依赖。有些模板引用了另一个基础模板但你的 Zabbix 里没导入或被改名了会报依赖缺失。去模板发布页把依赖模板一并下载导入再导主模板就能解决。5.2 数据库膨胀历史数据表才是磁盘杀手Zabbix 跑了一年半载之后数据库越来越胖这是每一个 Zabbix 用户都会遇到的现实问题。我见过最夸张的一台监控服务器history表占了快 200GB磁盘报警告了才发现。报错信息一般是No space left on device或者数据库无响应。原因很好理解Zabbix 默认保存详细历史数据比如 CPU、内存、磁盘 IO 这些指标每个监控项每 30 秒或 1 分钟写一条记录生产环境几百台机器一天就能产生几千万条数据。housekeeper 清理虽然在工作但如果写入速度比清理速度快磁盘就会持续增长。常规解法有四个方向第一调整历史数据保留时间。进入Configuration - Hosts找到对应主机或模板修改“历史数据保留期”和“趋势数据保留期”。一般历史数据保留 7 到 30 天足够趋势数据可以保留半年到一年。第二给history表做分区按月分区月底直接丢弃过期分区删除大量数据时比 DELETE 语句快一个数量级。第三数据库层面对历史表做定期归档把数据导出到冷存储。第四从 Zabbix 6.0 开始支持 TimescaleDB启用压缩能力后历史数据可以极大压缩查询性能也更好。升级前记得先做兼容性评估TimescaleDB 的安装和配置又是一个独立话题。建议对磁盘使用率设置独立的监控项比如 agent 的vfs.fs.size[/,pused]阈值设在 80% 就告警别等到No space left on device才反应过来。5.3 面试高频题Zabbix 报错排查思路速查结合我这几年带人和被面试的经历整理几个高频的 Zabbix 报错排查面试题。它们看着简单但非常能看出一个人对监控体系的理解深度。第一个一台新加的主机显示红色 ZBX你会怎么排查参考回答顺序先确认 Agent 进程运行状态再确认前端填写的主机 IP 和端口是否正确然后从 Server 端 telnet Agent 的 10050 端口检查防火墙和 SELinux最后看一眼 Agent 配置文件里Server允许列表是否包含 Server 的 IP。第二个监控项报 not supported常见原因有哪些答案是 key 语法错误、Agent 端缺少对应的 UserParameter、脚本执行超时、权限不足、依赖工具缺失。第三个主动模式和被动模式有什么区别被动模式是 Server 主动拉取 Agent 数据Agent 只需开放 10050 端口主动模式是 Agent 主动上报数据到 Server 的 10051 端口要求Hostname和前端一致适合跨网络、大量主机场景能减轻 Server 端的连接压力。第四个自定义监控项怎么添加先在 Agent 配置里定义 UserParameter重启 Agent再用 zabbix_get 验证最后在前端创建监控项、套用模板或者直接挂到主机上。第五个数据库越来越大怎么办优化历史数据保留周期、分区归档、使用 TimescaleDB 压缩、调整 housekeeper 清理频率。面试时把这几个问题答清楚基本就说明你有真正的 Zabbix 使用经验而不是只会照着教程点击鼠标。最后分享一个我自己的习惯每次改完配置先看一眼zabbix_server.log和zabbix_agentd.log的最后几十行90% 的报错都会在几分钟内刷出来。别急着去搜索工具复制整段中文报错先把日志里的时间戳、IP、错误码这三样东西提炼出来再组合关键词去搜效率高得多。Zabbix 的报错信息其实一直很直白只要按“网络 - 权限 - 配置 - 数据”这四层逻辑去查大部分问题都能在十几分钟内定位。这篇集锦我会继续更新把新遇到的坑持续补进来希望对你有实际帮助。
Zabbix常见报错排查手册：从安装部署到告警联动全链路
干运维的谁没跟 Zabbix 打过几次照面我刚开始接手监控平台那会儿几乎天天都在跟各种报错死磕装完服务打不开页面、数据库授权失败、主机加进来一直显示红色 ZBX、监控项 not supported、告警消息发不出去……今天这篇就当是个人踩坑笔记把这些年调 Zabbix 遇到的报错和排查思路整理成一个集锦覆盖从安装部署、初始化配置到日常监控与告警联动的完整链路。不管是刚准备搭 Zabbix 的新手还是在生产环境里被问题折腾到头疼的老手希望这份整理能帮你少走几步弯路。1. 安装部署阶段先别急着装这几个大坑一定要知道1.1 经典报错Access denied for user replace_userlocalhost这个报错我见过太多次了尤其是跟着网上零散的教程一步步装 Zabbix 6.0 或 7.0 的时候走到导入数据库这一步突然冒出来一句ERROR 1045 (28000): Access denied for user replace_userlocalhost (using password: YES)很多人都懵了我什么时候创建过 replace_user 这个用户其实谜底就在源码包的 SQL 文件里。Zabbix 源码包里的database/mysql目录下存放的是模板 SQL 文件并没有默认数据库密码。老版本用的create.sql.gz里就把初始化用户名写死了如果直接在命令行里执行导入它就会尝试用replace_user去连数据库自然被 MySQL 拒绝。我当时用来绕开这个坑的思路是先手动建一个独立账号再按顺序导表最后才让 Zabbix 前端去连这个库。这样既规避了 replace_user 的问题后续权限也好管理不用把 root 密码直接写在 web 配置里。先创建数据库和专属用户mysql -uroot -p CREATE DATABASE zabbix CHARACTER SET utf8mb4 COLLATE utf8mb4_bin; CREATE USER zabbixlocalhost IDENTIFIED BY YourPassword; GRANT ALL PRIVILEGES ON zabbix.* TO zabbixlocalhost; FLUSH PRIVILEGES;然后进入源码包里的database/mysql目录按顺序导入。5.0 以前的版本通常是一个create.sql.gz6.0 之后拆成了三个文件顺序不能乱zcat schema.sql.gz | mysql -uzabbix -pYourPassword zabbix zcat images.sql.gz | mysql -uzabbix -pYourPassword zabbix zcat data.sql.gz | mysql -uzabbix -pYourPassword zabbix注意密码含特殊字符时在命令行里最好加上单引号包裹比如-pYourPssword防止 shell 把$、这类符号提前解析掉否则你会看到一个更诡异的授权失败。导完表之后再去 web 页面配置数据库连接填上 zabbix 用户和新密码一路点下一步基本就能过。这个报错最烦人的地方在于网上搜索出来的结果往往让你去改zabbix_server.conf或者重启 mysql其实根子就在初始化导库这一步把顺序理顺就没那么多事。1.2 PHP 环境检查不通过时区与依赖一个都不能少Zabbix 的 web 前端对 PHP 版本和扩展的要求非常严格。装 6.0 至少要 PHP 7.4装 7.0 就得 PHP 8.0 以上。如果你用发行版自带的软件源装 PHP版本太老打开安装向导就会看到类似PHP version 7.4.3 does not satisfy minimum requirement of 8.0.0很多朋友在这个地方卡了很久其实解决办法是给系统添加对应的第三方软件源再把 PHP 升上去。比如 CentOS/Rocky 上用 EPEL 和 Remi 源然后执行yum module reset php加上yum module install php:remi-8.2这类操作装完再确认php -v已经是新版本。版本对了之后还会碰到扩展缺失的提示常见的有bcmath、mbstring、gd、xml、ldap等。报错信息里写着哪个就装哪个用发行版的包管理器安装即可。这时候有一个特别隐蔽的坑PHP 的date.timezone没设置。安装向导会一直挂着一个 Warning虽然能继续装但后续监控图形里的时间会整体偏移 8 小时触发器的时间判断也会跟着出问题排查起来非常痛苦。我一般直接在php.ini里改成date.timezone Asia/Shanghai改完记得重启 php-fpm 或 Apache让配置生效再刷新安装向导页面那个警告就会消失。1.3 Server 和 Agent 启动失败多半是配置文件参数没对齐安装完成、数据库也初始化好后systemctl start zabbix-server一执行很多人直接被结果搞蒙服务起不来或者起来了又停。这时候第一件事不是翻报错而是去看日志tail -f /var/log/zabbix/zabbix_server.log我见过最多的是两类。一类是 socket 文件目录权限问题日志里会写cannot bind socket to /var/run/zabbix/zabbix_server_alerter.sock这种通常是/var/run/zabbix目录属主不对把目录属主改成 zabbix 用户就行。另一类更常见是 agent 端的配置和 server 端对不上agent 反复重启日志里刷连接失败。Agent 的配置文件一般叫zabbix_agentd.conf里面这三个参数必须认真核对Server127.0.0.1,192.168.10.10 ServerActive192.168.10.10 HostnameZabbix serverServer表示允许谁来被动采集。ServerActive表示 agent 主动往哪个 server 上报数据。Hostname必须和前端页面添加主机时的名称完全一致否则主动模式拿不到数据前端会一直显示“ZBX 不可用”。我第一次搭的时候就是忘了改 Hostname前端怎么加都报 agent 不可达折腾到半夜才发现是名字没对上。2. Web 界面与初始化向导和日常页面里的坑2.1 安装向导卡住或直接白屏数据库导好了PHP 也没问题但打开http://你的IP/zabbix后要么安装向导白屏要么点了下一步之后一直转圈没反应。白屏的排查方向我建议按这个顺序来先确认 php-fpm 进程是否在运行再看 PHP session 目录是否可写最后看浏览器控制台有没有 500 或者 502。很多发行版安装 PHP 之后/var/lib/php/session这个目录的属主是 rootWeb 服务用户写不进去Zabbix 前端初始化时无法写 session就会直接白屏。处理办法也很简单chown -R nginx:nginx /var/lib/php/session注意把 nginx 换成你实际使用的 web 用户Apache 的话一般是 apache 或 www-data。这个问题在 CentOS、Rocky 和 Ubuntu 上我都遇到过几乎是必踩项。另外如果你用的是 Nginx PHP-FPM 而不是 Apache还需要确认 Nginx 配置文件里的fastcgi_pass指向的是 PHP-FPM 监听的套接字或端口。很多教程里告诉你改 Nginx 配置但不同发行版的默认路径不一样改错一个字符整个页面就是 502。2.2 “Cannot connect to the database”排查三部曲安装向导走到数据库配置那一步填好账号密码之后前端报出这句Cannot connect to the database.这个报错看起来直接但原因可能藏在四五个地方。我现在的排查习惯是固定的三步第一步先确认数据库服务本身在监听网络端口。有些 MySQL 部署把skip-networking打开了本机用mysql -uzabbix -p能连但 web 服务通过网络连不进去。用一条命令验证mysql -h127.0.0.1 -uzabbix -pYourPassword -e select 1;如果这里提示连接失败检查 MySQL 配置文件里是否有skip-networking去掉之后重启。第二步确认 Zabbix 数据库用户的主机匹配关系。MySQL 的授权是“用户 来源主机”双重绑定的你只授权了zabbixlocalhost但 web 端实际用了127.0.0.1去连一样会被拒。在 MySQL 里检查SELECT user, host FROM mysql.user WHERE userzabbix;如果只有localhost就补一个zabbix127.0.0.1或者直接授权给%然后FLUSH PRIVILEGES。第三步看 web 配置文件里的数据库参数有没有填错。Zabbix 前端的数据库连接信息在zabbix.conf.php里确认$DB[SERVER]、$DB[USER]、$DB[PASSWORD]这三项和实际一致。这个文件路径在不同发行版上不太一样最稳的查找方式是find / -name zabbix.conf.php 2/dev/null。补充一个生产环境里遇到的真实案例数据库主机名填了localhost前端 PHP 解析走的是 IPv6 的::1而 MySQL 只监听了 IPv4导致连接被拒。把主机名改成127.0.0.1后立刻恢复正常。所以 Web 服务器和数据库在同一台机器时别迷信 localhost直接写 IP 反而更省事。2.3 图形中文乱码字体替换三板斧Zabbix 默认带的字体不支持中文监控图形里只要主机名或者监控项名称带中文渲染出来全是一排排小方块完全没法看。这个问题不影响监控数据但影响你每天打开大屏时的观感尤其要给领导汇报的时候满屏方块真的很尴尬。解决办法三步走第一取一个支持中文的 TTF/TTC 字体文件比如从 Windows 系统目录下拷贝一个msyh.ttc微软雅黑或者下载开源字体文泉驿正黑。第二把字体文件上传到 Zabbix 前端的字体目录里常见路径有/usr/share/zabbix/assets/fonts、/usr/local/share/zabbix/assets/fonts不同发行版路径不同找带有DejaVuSans.ttf的目录就行。第三修改前端字体配置把默认字体名替换为新字体。有些版本的 Zabbix 在zabbix.conf.php里直接有$DB[GRAPH_FONT_NAME]配置改成你字体文件的完整名称例如$DB[GRAPH_FONT_NAME] msyh;改完清一下浏览器缓存再强制刷新页面中文图形就正常了。如果用的 Zabbix 7.0部分前端页面还支持在Administration - General - Other里直接配置默认字体把字体名称填进去效果一样。3. 监控数据采集主机添加不上与监控项拿不到数据3.1 主机列表显示红色 ZBX先分清主动模式和被动模式前端添加完一台新主机过一会儿去看状态列出现一个红色的 ZBX说明 Zabbix Server 跟 Agent 之间的连接出了问题。但连接问题分很多种我不建议一上来就盯着防火墙先把数据流向理清楚。Zabbix 有两种模式。被动模式下是 Server 主动连 Agent 的 10050 端口去拉数据主动模式下是 Agent 主动连 Server 的 10051 端口上报数据。如果你前端主机配置的是被动模式检查顺序是先在 Server 上用telnet 主机IP 10050测试端口通不通再确认 Agent 进程是否在运行最后检查防火墙和 SELinux。如果端口不通大概率是防火墙拦截放行端口即可firewall-cmd --permanent --add-port10050/tcp firewall-cmd --reload如果前端是一个灰色状态那个代表不支持主动模式需要重点看 Agent 配置里的ServerActive和Hostname是否和前端一致。这里放一个可用性状态的速查表状态含义优先排查方向绿色 ZBXAgent 在线可用无需处理红色 ZBXServer 连不上 Agent10050 端口、防火墙、Agent 进程灰色主动模式不可用ServerActive、Hostname 匹配无标签尚未开始采集等待下一次刷新周期3.2 Not supported 与 Timeout监控项拿不到数据的六大原因监控项状态变成not supported或者timeout算是 Zabbix 日常使用里出现频率最高的报错之一。点进监控项详情会看到一行具体错误信息不同错误的处理方式差距很大我直接整理成几个最典型场景。第一种key 写错了。Zabbix 的 key 有固定格式比如system.cpu.load[percpu,avg1]中括号里的参数一个都不能多不能少。写错的话会直接提示Invalid key。解决方式是用页面上的“测试”按钮输入 key 试一下返回结果。第二种Agent 配置里没有定义这个 key。比如你想采集一个自定义脚本但没有在zabbix_agentd.conf里写UserParameter报错就非常直接。自定义 key 的写法UserParametermy.check,/usr/local/bin/my_check.sh改完配置后重启 agent再用zabbix_get远程验证。第三种脚本执行超时。UserParameter调用的脚本默认执行时间很短如果脚本逻辑复杂、网络请求慢很容易触发 timeout。这时候把 agent 配置文件里的Timeout参数调大一般设置成 10 秒或者 30 秒足够。第四种外部检查和网络探测类 key 依赖 fping。像icmpping、icmppingloss这类 key 如果没安装 fping会报fping: not found。装好 fping 还要注意 setuid 权限否则非 root 用户调用时还是会失败。第五种权限问题。Agent 进程以普通用户身份运行但脚本需要读取 root 才能读的文件或者脚本本身没有执行权限都会导致采集失败报错信息一般是 permission denied。第六种时间不同步。Server 和 Agent 的系统时间差太多某些校验严格的场景会出现奇怪报错最稳妥的做法是用 NTP 统一时间。3.3 自监控“Host unreachable”却实际可用这是个隐蔽问题比红色 ZBX 更迷惑的是Zabbix 自己监控自己前端却一直报Host unreachable但用浏览器访问 web 界面、用zabbix_get测本机 agent 全都是正常的。这种情况大概率是“监听地址不匹配”导致的。Zabbix Server 的默认配置会监听所有网卡但前端添加“Zabbix server”这台主机时接口 IP 填的是127.0.0.1。如果 Agent 配置文件里的Server参数只写了内网 IP 而没有包含 127.0.0.1那么 Server 从 127.0.0.1 去连 AgentAgent 一看来源 IP 不在允许列表里直接拒绝于是自监控一直报不可达。我当时的解法是把前端里“Zabbix server”主机的接口 IP 改成实际内网 IP同时确认 Agent 配置里Server包含了这个内网 IP两边对齐后问题立刻消失。这种问题最大的坑在于表面看起来一切正常数据也在采集但告警一直在刷非常容易让人误判为网络故障。4. 告警与联动钉钉通知、误报与告警风暴4.1 Zabbix 7.0 联动钉钉脚本和 Webhook 的常见报错Zabbix 和钉钉的联动是现在告警通知的主流方案当年我在生产环境接第一套钉钉告警时也是被各种错误码折磨得不轻。钉钉群自定义机器人的安全设置有三种自定义关键词、加签、IP 白名单。最容易踩的坑集中在这几个报错上。第一个错errcode: 310000, errmsg: keywords not in content。这是你在群里配置了关键词但消息内容里没带这个词。比如关键词设了“告警”那消息正文里必须包含“告警”二字否则钉钉拒绝发送。第二个错errcode: 310000, errmsg: sign not match。这是加签模式下签名计算错误。加签要求把时间戳和密钥做 HMAC-SHA256 加密再 base64 编码最后还要做一次 URL 编码拼接在 Webhook 地址后面。很多脚本死在少了最后一步 URL 编码上。第三个错中文内容乱码或发送失败。脚本里发 HTTP 请求时如果没正确设置 JSON 编码中文会变成UnicodeEncodeErrorPython 脚本尤其常见。用json.dumps保证数据序列化正确再指定Content-Type: application/json基本就能解决。我自己常用的一段 Python 加签脚本核心逻辑是这样的import time import hmac import hashlib import base64 import urllib.parse import requests secret SEC你的密钥 timestamp str(round(time.time() * 1000)) string_to_sign f{timestamp}\n{secret} hmac_code hmac.new( secret.encode(utf-8), string_to_sign.encode(utf-8), digestmodhashlib.sha256 ).digest() sign urllib.parse.quote_plus(base64.b64encode(hmac_code)) webhook https://oapi.dingtalk.com/robot/send?access_token你的Token url f{webhook}timestamp{timestamp}sign{sign} data { msgtype: text, text: { content: 【Zabbix告警】服务器CPU负载过高请及时处理 } } resp requests.post(url, jsondata) print(resp.text)重要提醒机器人 Webhook 地址和密钥相当于告警通道的钥匙千万别写进公开的配置仓库。密钥一旦泄露任何人都可以向你的钉钉群发垃圾消息。另外 Zabbix 7.0 新版的 Webhook 媒体类型做得已经比较完善能配置钉钉、企业微信等。如果脚本方案维护成本高可以用官方 Webhook 方案但要注意不同版本之间字段名有差异升级后需要重新测试一遍。4.2 闪断误报与告警风暴别让告警变成狼来了告警配好之后接下来困扰人的就是误报。最常见的情况是某个监控项值只在某一瞬间超过了阈值触发器立刻触发过一分钟又恢复了于是告警事件刷个不停。这种“闪断误报”特别容易让人对告警系统失去信任。我常用的优化思路有三个。第一给触发器加“恢复延迟”也就是要求问题持续一定时间才触发告警比如nodata(5m)或者min(5m)配合触发器表达式避免网络抖动造成的瞬间采样超阈值。第二用趋势类函数替代瞬时值比如avg(//10m)表示最近 10 分钟的平均值这样偶尔一两次尖峰不会触发告警。第三触发器表达式里设置恢复条件表达式确保只有问题持续存在时才维持告警状态。举一个 CPU 告警的例子优化前system.cpu.util[,idle].last()10优化后avg(system.cpu.util[,idle],5m)10 and nodata(system.cpu.util[,idle],5m)0这样 5 分钟内 CPU 空闲持续低于 10% 才告警比只看最后一条数据的抖动小很多。告警风暴的另一个常见来源是“主机批量宕机”比如交换机断电导致几十台机器同时不可达告警消息瞬间刷屏。建议对网络设备做单独的网络监控模板对服务器批量宕机场景使用业务分组和聚合告警把噪音降下来才能让真正重要的告警被第一时间看到。5. 模板、数据处理与面试高频题5.1 模板导入报错版本与依赖是最大杀手从社区下载一个模板再用 Zabbix 前端的导入功能上传时有两条高频报错Cannot import template: invalid XML和Template already exists。先说 invalid XML。模板文件本身是一个 XML 结构开头长这样?xml version1.0 encodingUTF-8? zabbix_export version6.0/version template_groups ...如果你从 Zabbix 5.0 导出的模板直接导入到 4.0 版本或者反过来报错的概率极高因为version字段对应的结构和 4.0 不兼容。这时候要么找对应版本范围的模板要么对模板文件做低版本兼容性改造。还有一个容易忽略的原因模板文件的编码不是 UTF-8从某些文本编辑器另存为 UTF-8 后重新导入即可。再说 Template already exists。这个很好理解库里已经存在同名模板。解决办法是导入时选择“更新已有模板”或者先把旧模板删了再导入。但要注意如果旧模板已经关联了监控主机删除模板会导致这些主机的监控项被清除操作前必须确认影响范围。另外就是模板依赖。有些模板引用了另一个基础模板但你的 Zabbix 里没导入或被改名了会报依赖缺失。去模板发布页把依赖模板一并下载导入再导主模板就能解决。5.2 数据库膨胀历史数据表才是磁盘杀手Zabbix 跑了一年半载之后数据库越来越胖这是每一个 Zabbix 用户都会遇到的现实问题。我见过最夸张的一台监控服务器history表占了快 200GB磁盘报警告了才发现。报错信息一般是No space left on device或者数据库无响应。原因很好理解Zabbix 默认保存详细历史数据比如 CPU、内存、磁盘 IO 这些指标每个监控项每 30 秒或 1 分钟写一条记录生产环境几百台机器一天就能产生几千万条数据。housekeeper 清理虽然在工作但如果写入速度比清理速度快磁盘就会持续增长。常规解法有四个方向第一调整历史数据保留时间。进入Configuration - Hosts找到对应主机或模板修改“历史数据保留期”和“趋势数据保留期”。一般历史数据保留 7 到 30 天足够趋势数据可以保留半年到一年。第二给history表做分区按月分区月底直接丢弃过期分区删除大量数据时比 DELETE 语句快一个数量级。第三数据库层面对历史表做定期归档把数据导出到冷存储。第四从 Zabbix 6.0 开始支持 TimescaleDB启用压缩能力后历史数据可以极大压缩查询性能也更好。升级前记得先做兼容性评估TimescaleDB 的安装和配置又是一个独立话题。建议对磁盘使用率设置独立的监控项比如 agent 的vfs.fs.size[/,pused]阈值设在 80% 就告警别等到No space left on device才反应过来。5.3 面试高频题Zabbix 报错排查思路速查结合我这几年带人和被面试的经历整理几个高频的 Zabbix 报错排查面试题。它们看着简单但非常能看出一个人对监控体系的理解深度。第一个一台新加的主机显示红色 ZBX你会怎么排查参考回答顺序先确认 Agent 进程运行状态再确认前端填写的主机 IP 和端口是否正确然后从 Server 端 telnet Agent 的 10050 端口检查防火墙和 SELinux最后看一眼 Agent 配置文件里Server允许列表是否包含 Server 的 IP。第二个监控项报 not supported常见原因有哪些答案是 key 语法错误、Agent 端缺少对应的 UserParameter、脚本执行超时、权限不足、依赖工具缺失。第三个主动模式和被动模式有什么区别被动模式是 Server 主动拉取 Agent 数据Agent 只需开放 10050 端口主动模式是 Agent 主动上报数据到 Server 的 10051 端口要求Hostname和前端一致适合跨网络、大量主机场景能减轻 Server 端的连接压力。第四个自定义监控项怎么添加先在 Agent 配置里定义 UserParameter重启 Agent再用 zabbix_get 验证最后在前端创建监控项、套用模板或者直接挂到主机上。第五个数据库越来越大怎么办优化历史数据保留周期、分区归档、使用 TimescaleDB 压缩、调整 housekeeper 清理频率。面试时把这几个问题答清楚基本就说明你有真正的 Zabbix 使用经验而不是只会照着教程点击鼠标。最后分享一个我自己的习惯每次改完配置先看一眼zabbix_server.log和zabbix_agentd.log的最后几十行90% 的报错都会在几分钟内刷出来。别急着去搜索工具复制整段中文报错先把日志里的时间戳、IP、错误码这三样东西提炼出来再组合关键词去搜效率高得多。Zabbix 的报错信息其实一直很直白只要按“网络 - 权限 - 配置 - 数据”这四层逻辑去查大部分问题都能在十几分钟内定位。这篇集锦我会继续更新把新遇到的坑持续补进来希望对你有实际帮助。
