当前位置： 首页 > backend >正文

进阶向:基于Python的电脑硬件监控工具（GUI + 系统信息采集）

backend 2025/7/22 9:02:04

引言

在科技飞速发展的今天，人工智能已经渗透到我们生活的方方面面，从基础的日常沟通到复杂的商业决策，智能技术的影响力正在以惊人的速度扩大。以自然语言处理为例，智能助手不仅能理解人类的日常对话，还能通过情感分析提供个性化的回应；在医疗领域，AI辅助诊断系统的准确率已达到专业医师水平，极大地提高了早期疾病筛查的效率。

面对这场深刻的技术变革，理解其背后的逻辑与应用场景变得至关重要。从技术角度看，机器学习算法的进步（如深度学习、强化学习）为AI应用提供了强大的计算基础；从应用层面看，智能推荐系统正在重塑电商和内容平台的用户体验，而自动驾驶技术则有望彻底改变未来的交通方式。这些发展都彰显出AI技术的巨大潜力。

通过深入探讨核心原理与实践案例，我们可以更清晰地把握技术趋势。例如，分析计算机视觉在安防监控中的实际应用，或研究预测算法在金融风控中的具体表现，都能帮助我们理解不同场景下的技术适配性。这种理解不仅有助于发掘潜在商业价值，更能为未来的技术创新与产业突破奠定坚实基础。随着5G、边缘计算等配套技术的发展，AI的应用边界还将持续扩展，带来更多令人期待的可能性。

核心库选择

GPUtil专门用于获取NVIDIA GPU信息：

platform模块提供基本的系统识别功能：

GUI开发选项对比：

tkinter（Python标准库）：

PyQt5/PySide6（第三方库）：

  • psutil（Python System and Process Utilities）是一个跨平台的系统监控库，可以获取系统运行时的各种关键信息：

  • CPU相关：

    • 使用率（psutil.cpu_percent()）
    • 核心数量（psutil.cpu_count()）
    • 温度监控（部分平台支持）
    • 示例：监控CPU负载并设置告警阈值

  • 内存管理：

    • 物理内存总量及使用情况（psutil.virtual_memory()）
    • 交换分区信息（psutil.swap_memory()）
    • 示例：实时显示内存使用曲线图

  • 磁盘信息：

    • 分区信息（psutil.disk_partitions()）
    • 使用情况（psutil.disk_usage()）
    • IO统计（psutil.disk_io_counters()）
    • 示例：监控磁盘剩余空间并预警

  • 网络监控：

    • 网络接口信息（psutil.net_if_addrs()）
    • IO统计（psutil.net_io_counters()）
    • 连接信息（psutil.net_connections()）
  • 显存使用情况
  • GPU温度监控
  • 负载百分比
  • 示例：深度学习训练时的GPU监控面板
  • 操作系统类型（platform.system()）
  • 系统版本（platform.version()）
  • 处理器架构（platform.machine()）
  • 示例：生成系统诊断报告
  • 优势：无需额外安装，适合简单界面
  • 缺点：界面较简陋，功能有限
  • 示例应用：基础系统监控仪表盘
  • 优势：
    • 丰富的UI组件（表格、图表等）
    • 支持多线程
    • 现代化界面设计
  • 缺点：
    • 需要单独安装
    • 学习曲线较陡
  • 示例应用：
    • 专业级系统监控工具
    • 带历史数据可视化的性能分析器

基本系统信息采集实现

import psutil
import platform
from datetime import datetimedef get_system_info():# CPU信息cpu_percent = psutil.cpu_percent(interval=1)cpu_count = psutil.cpu_count(logical=False)cpu_logical = psutil.cpu_count(logical=True)# 内存信息mem = psutil.virtual_memory()mem_total = round(mem.total / (1024**3), 2)mem_used = round(mem.used / (1024**3), 2)mem_percent = mem.percent# 磁盘信息disk = psutil.disk_usage('/')disk_total = round(disk.total / (1024**3), 2)disk_used = round(disk.used / (1024**3), 2)disk_percent = disk.percent# 系统信息system_info = {"system": platform.system(),"node": platform.node(),"release": platform.release(),"version": platform.version(),"machine": platform.machine(),"boot_time": datetime.fromtimestamp(psutil.boot_time()).strftime("%Y-%m-%d %H:%M:%S")}return {"cpu": {"percent": cpu_percent,"cores_physical": cpu_count,"cores_logical": cpu_logical},"memory": {"total": mem_total,"used": mem_used,"percent": mem_percent},"disk": {"total": disk_total,"used": disk_used,"percent": disk_percent},"system": system_info}

添加GPU监控功能

try:import GPUtildef get_gpu_info():gpus = GPUtil.getGPUs()if gpus:return {"name": gpus[0].name,"load": gpus[0].load * 100,"memory_used": round(gpus[0].memoryUsed, 1),"memory_total": round(gpus[0].memoryTotal, 1),"temperature": gpus[0].temperature}return None
except ImportError:def get_gpu_info():return None

使用Tkinter构建简单GUI

import tkinter as tk
from tkinter import ttkclass HardwareMonitor(tk.Tk):def __init__(self):super().__init__()self.title("硬件监控工具")self.geometry("600x400")# 创建标签框架self.cpu_frame = ttk.LabelFrame(self, text="CPU 信息")self.mem_frame = ttk.LabelFrame(self, text="内存 信息")self.disk_frame = ttk.LabelFrame(self, text="磁盘 信息")self.sys_frame = ttk.LabelFrame(self, text="系统 信息")# 布局self.cpu_frame.pack(fill="both", expand=True, padx=5, pady=5)self.mem_frame.pack(fill="both", expand=True, padx=5, pady=5)self.disk_frame.pack(fill="both", expand=True, padx=5, pady=5)self.sys_frame.pack(fill="both", expand=True, padx=5, pady=5)# 添加标签self.cpu_label = ttk.Label(self.cpu_frame, text="")self.mem_label = ttk.Label(self.mem_frame, text="")self.disk_label = ttk.Label(self.disk_frame, text="")self.sys_label = ttk.Label(self.sys_frame, text="")self.cpu_label.pack()self.mem_label.pack()self.disk_label.pack()self.sys_label.pack()self.update_data()def update_data(self):data = get_system_info()gpu_data = get_gpu_info()# 更新CPU信息cpu_text = f"使用率: {data['cpu']['percent']}% | 物理核心: {data['cpu']['cores_physical']} | 逻辑核心: {data['cpu']['cores_logical']}"self.cpu_label.config(text=cpu_text)# 更新内存信息mem_text = f"使用: {data['memory']['used']}GB / {data['memory']['total']}GB ({data['memory']['percent']}%)"self.mem_label.config(text=mem_text)# 更新磁盘信息disk_text = f"使用: {data['disk']['used']}GB / {data['disk']['total']}GB ({data['disk']['percent']}%)"self.disk_label.config(text=disk_text)# 更新系统信息sys_text = f"系统: {data['system']['system']} {data['system']['release']} | 主机名: {data['system']['node']} | 启动时间: {data['system']['boot_time']}"self.sys_label.config(text=sys_text)# 如果有GPU信息则显示if gpu_data:if not hasattr(self, 'gpu_frame'):self.gpu_frame = ttk.LabelFrame(self, text="GPU 信息")self.gpu_frame.pack(fill="both", expand=True, padx=5, pady=5)self.gpu_label = ttk.Label(self.gpu_frame, text="")self.gpu_label.pack()gpu_text = f"{gpu_data['name']} | 负载: {gpu_data['load']:.1f}% | 显存: {gpu_data['memory_used']}GB/{gpu_data['memory_total']}GB | 温度: {gpu_data['temperature']}°C"self.gpu_label.config(text=gpu_text)self.after(1000, self.update_data)

使用PyQt5构建更专业的界面

from PyQt5.QtWidgets import (QApplication, QMainWindow, QVBoxLayout, QWidget, QLabel, QTabWidget, QProgressBar)
from PyQt5.QtCore import QTimer
import sysclass QtHardwareMonitor(QMainWindow):def __init__(self):super().__init__()self.setWindowTitle("硬件监控工具")self.setGeometry(100, 100, 800, 600)self.central_widget = QWidget()self.setCentralWidget(self.central_widget)self.layout = QVBoxLayout(self.central_widget)self.tabs = QTabWidget()self.layout.addWidget(self.tabs)# 创建标签页self.cpu_tab = QWidget()self.mem_tab = QWidget()self.disk_tab = QWidget()self.sys_tab = QWidget()self.tabs.addTab(self.cpu_tab, "CPU")self.tabs.addTab(self.mem_tab, "内存")self.tabs.addTab(self.disk_tab, "磁盘")self.tabs.addTab(self.sys_tab, "系统")# 初始化UIself.init_cpu_tab()self.init_mem_tab()self.init_disk_tab()self.init_sys_tab()# 定时更新self.timer = QTimer()self.timer.timeout.connect(self.update_data)self.timer.start(1000)def init_cpu_tab(self):layout = QVBoxLayout(self.cpu_tab)self.cpu_label = QLabel("CPU 信息")self.cpu_progress = QProgressBar()layout.addWidget(self.cpu_label)layout.addWidget(self.cpu_progress)def update_data(self):data = get_system_info()# 更新CPU信息cpu_text = f"CPU 使用率: {data['cpu']['percent']}% | 物理核心: {data['cpu']['cores_physical']} | 逻辑核心: {data['cpu']['cores_logical']}"self.cpu_label.setText(cpu_text)self.cpu_progress.setValue(data['cpu']['percent'])# 更新其他标签页...

高级功能扩展

实时图表显示 使用matplotlib可以创建实时更新的硬件使用率图表：

from matplotlib.backends.backend_tkagg import FigureCanvasTkAgg
from matplotlib.figure import Figureclass ChartMonitor(tk.Tk):def __init__(self):super().__init__()self.title("硬件监控图表")# 创建图表self.fig = Figure(figsize=(5, 4), dpi=100)self.ax = self.fig.add_subplot(111)# 初始化数据self.x_data = list(range(60))self.y_data = [0] * 60# 创建画布self.canvas = FigureCanvasTkAgg(self.fig, master=self)self.canvas.draw()self.canvas.get_tk_widget().pack(side=tk.TOP, fill=tk.BOTH, expand=True)self.update_chart()def update_chart(self):# 获取当前CPU使用率cpu_percent = psutil.cpu_percent(interval=1)# 更新数据self.y_data.append(cpu_percent)if len(self.y_data) > 60:self.y_data.pop(0)# 清除并重新绘制self.ax.clear()self.ax.plot(self.x_data, self.y_data[-60:], 'r-')self.ax.set_ylim(0, 100)self.ax.set_title("CPU 使用率 (%)")self.ax.set_xlabel("时间 (秒)")self.canvas.draw()self.after(1000, self.update_chart)

网络监控功能 可以扩展网络监控功能：

def get_network_info():net_io = psutil.net_io_counters()return {"bytes_sent": net_io.bytes_sent,"bytes_recv": net_io.bytes_recv,"packets_sent": net_io.packets_sent,"packets_recv": net_io.packets_recv}

打包为可执行文件

使用PyInstaller可以将应用打包为独立可执行文件：

pip install pyinstaller
pyinstaller --onefile --windowed hardware_monitor.py

这些方法提供了从简单到高级的硬件监控实现方案，可以根据需求选择合适的组件进行组合或扩展。具体来说：

  1. 基础监控方案
    适用于入门级需求，主要包含：

    • CPU/GPU温度监控（如使用lm-sensors工具）
    • 内存使用率统计（通过free -m命令）
    • 磁盘空间检查（df -h命令） 应用场景：个人开发者调试或小型服务器基础运维

  2. 中级监控方案
    增加实时性和可视化能力：

    • 使用Prometheus+Grafana搭建监控仪表盘
    • 集成网络流量监控（如nload工具）
    • 添加SMART硬盘健康检测 典型配置示例：
    # Prometheus配置片段
scrape_configs:- job_name: 'node'static_configs:- targets: ['192.168.1.100:9100']

  3. 高级企业级方案
    包含自动化预警和分布式监控：

    • 部署Zabbix或Nagios监控集群
    • 实现SNMP协议设备管理
    • 定制化开发监控插件（如通过Python编写硬件探针） 扩展建议：
    • 对关键业务服务器配置双通道监控
    • 建立分级告警机制（邮件/短信/企业微信通知）

  4. 特殊场景方案

    • 工业环境：增加4-20mA信号采集模块
    • 边缘计算：部署轻量级Telegraf代理
    • 高安全要求：采用硬件加密的监控数据链路

方案选择时需综合考虑硬件规模（单机/集群）、监控粒度（秒级/分钟级）以及预算成本。建议从基础方案开始，逐步按需扩展功能模块。

http://www.xdnf.cn/news/15926.html

相关文章：

  • 51c大模型~合集157
  • 138. Java 泛型 - 通配符捕获Helper程序方法：类型安全解决方案
  • 二维码扫描登录流程详解
  • 【设计模式】迭代器模式 (游标(Cursor)模式)
  • JavaEE初阶第十期：解锁多线程，从 “单车道” 到 “高速公路” 的编程升级（八）
  • WinUI3开发_Frame用法
  • 服务器设置国外IP无法访问对防御攻击有用吗？
  • 一文详解REST风格
  • 一个适合MCU的分级菜单框架
  • .NET SDK 9.0.200引入对SLNX解决方案文件的支持
  • django filter按两个属性 去重
  • Linux——自制shell命令行解释器
  • 【LeetCode 热题 100】208. 实现 Trie (前缀树)
  • 剖析Sully.ai：革新医疗领域的AI助手功能启示
  • ssms（SQL 查询编辑器） 添加快捷键 Ctrl+D（功能等于Ctrl+C + Ctrl+V）,一步到位
  • Bun v1.2.19发布，node_modules隔离，sql比node快6倍
  • Kotlin 高阶函数初步学习
  • Laravel 系统版本查看及artisan管理员密码找回方法针对各个版本通用方法及原理-优雅草卓伊凡
  • 信息学奥赛一本通 1576：【例 2】选课 | 洛谷 P2014 [CTSC1997] 选课
  • 子网划分核心原理 (网络原理1)
  • [学习] Hilbert变换：从数学原理到物理意义的深度解析与仿真实验（完整实验代码）
  • 《通信原理》学习笔记——第五章
  • Spring 源码阅读（二） 核心概念解析 ApplicationContext、类型转化
  • 【PyTorch】图像二分类项目
  • 【JS逆向基础】数据库之mysql
  • 7.19-7.20 Java基础 | File类 I/O流学习笔记
  • pyhton基础【27】课后拓展
  • 【Linux】3. Shell语言
  • 深度相机的工作模式（以奥比中光深度相机为例）
  • SQL Server（2022）安装教程及使用_sqlserver下载安装图文