1. 100個日常實用腳本一次徹底的工具箱整理先說說我為什么會對“100個日常實用腳本”這個題目感興趣。做了幾年開發(fā)和運維電腦里的腳本從零零散撒十幾個慢慢堆到上百個散落在各種目錄、甚至聊天記錄里。真正遇到問題時常常是“好像寫過類似的東西但找不到、也記不清怎么用了”。后來痛定思痛花了一個周末把所有腳本撈出來重新分類、梳理、補齊參數(shù)和文檔整理成了100個工具的集合才敢說“日常實用”這四個字。這篇內(nèi)容不是教你把100個腳本從頭寫一遍那沒有意義。我想分享的是這100個腳本是怎么選出來的、內(nèi)部如何分類組織每一類里核心腳本的設(shè)計邏輯和關(guān)鍵代碼片段以及部署到真實環(huán)境時的完整流程和踩坑記錄。適合三類人看剛?cè)腴T、想通過大量例子提升腳本能力的開發(fā)者手里腳本不少但亂成一團、想系統(tǒng)整理的老手以及想在公司或團隊里推廣標準化工具集的負責人。內(nèi)容我盡量用大白話講清楚偶爾上點代碼保證你能直接照抄。2. 腳本體系怎么搭先想清楚再動手2.1 什么才算“日常實用”三條過濾標準100個腳本聽起來很多實際上篩選過程非常苛刻。我從最初200多個候選腳本里砍掉一半才湊出“這100個值得留”的清單。篩選標準就三條分享給你參考至少被真實使用過三次以上。一次性腳本哪怕再精巧除非它解決了某個高頻痛點否則直接刪掉。判斷依據(jù)很簡單翻歷史記錄同一個腳本是否反復(fù)出現(xiàn)。單次運行時間不超過幾分鐘。日常工具腳本跑了十分鐘還沒出結(jié)果大部分人就沒有耐心等第二次了。處理大數(shù)據(jù)量的任務(wù)寧可拆成多個小腳本階段緩存也不要硬扛。不需要復(fù)雜的交互和人工干預(yù)。參數(shù)越少越好能默認就不用指定能自動檢測就不讓用戶輸入。命令行工具最怕的就是“你要先告訴我A再告訴我B”時間長了連作者本人都會忘。拿文件批量重命名舉例我早期版本要求輸入目錄、輸入規(guī)則、輸出格式三個參數(shù)缺一不可結(jié)果用了兩次就被自己棄了。后來改成默認處理當前目錄、默認規(guī)則是“文件名里的空格替換成下劃線”想自定義再傳參數(shù)這才真正沉淀下來。2.2 整體目錄結(jié)構(gòu)按任務(wù)類型而不是按語言劃分分類是整理這類集合時最讓人糾結(jié)的部分。我的建議是按任務(wù)類型分目錄而不是按語言分。很多新手喜歡建立python_scripts/、bash_scripts/這樣的文件夾但真實使用時你關(guān)心的永遠是“我要整理文件”“我要看服務(wù)器狀態(tài)”而不是“我該找Python腳本還是Shell腳本”。我最終確定的頂層結(jié)構(gòu)是這樣的分類目錄覆蓋任務(wù)腳本數(shù)量filesystem/文件批量操作、磁盤空間分析、文件類型統(tǒng)計16text_processing/日志提取、編碼轉(zhuǎn)換、格式化輸出、正則工具18system_ops/進程管理、資源監(jiān)控、定時巡檢、網(wǎng)絡(luò)檢查14data_processing/CSV處理、JSON校驗、Excel讀寫、數(shù)據(jù)庫小工具16office_auto/Word/PDF批量操作、Excel合并、素材整理12network_utils/連通性檢測、端口掃描、HTTP接口探測、DNS查詢8backup_sync/文件同步、增量備份、壓縮歸檔、加密備份9dev_helpers/Git輔助、代碼統(tǒng)計、環(huán)境變量管理、編碼規(guī)范檢查7合計100這種結(jié)構(gòu)的優(yōu)越性在長期使用時特別明顯當你想找“批量壓縮圖片”的腳本不會糾結(jié)它該歸到圖片處理還是歸檔工具直接進backup_sync/翻一圈或者用統(tǒng)一入口搜關(guān)鍵詞就行。目錄本身就是一套記憶索引。2.3 命名規(guī)范腳本名必須是“動詞對象”整理了100個腳本后我最大的體悟是給腳本起名決定了它能否被長期復(fù)用。好的腳本名應(yīng)該像命令一樣直接表達出“這個工具能干什么”。我的統(tǒng)一規(guī)范是動詞_對象.py或動詞_對象.sh小寫加下劃線不用駝峰。反例早期命名正例整理后命名tool1.pymerge_csv.pyfix.pyrestore_backup.shtest2.pycheck_port.pyfinal_version.pydedup_files.py同時每個腳本開頭必須有一段固定的Docstring記錄用途一句話說明、用法示例、依賴模塊、維護日期。這樣即使三個月沒碰過某個腳本看一眼頭部也能快速知道它是干什么的、怎么跑。3. 幾類核心腳本的設(shè)計與實現(xiàn)細節(jié)3.1 文件批量處理類整理下載目錄的實戰(zhàn)范例文件整理類腳本是我日常使用頻率最高的類別。filesystem/目錄下的核心腳本是organize_downloads.py功能是把亂七八糟的下載目錄按文件擴展名自動分類歸檔到不同子目錄。實現(xiàn)思路是用Python的pathlib遍歷目錄根據(jù)后綴名映射到目標類別遇到同名文件自動加序號防止覆蓋。關(guān)鍵代碼只有三四十行但有幾個細節(jié)是真正決定成敗的地方from pathlib import Path import shutil import re # 擴展名到類別目錄的映射表 CATEGORY_MAP { images: {.jpg, .jpeg, .png, .gif, .bmp, .svg, .webp}, documents: {.pdf, .doc, .docx, .txt, .md, .ppt, .pptx}, sheets: {.xls, .xlsx, .csv, .tsv}, archives: {.zip, .rar, .7z, .tar, .gz}, programs: {.exe, .msi, .dmg, .AppImage}, scripts: {.py, .sh, .js, .go, .c, .cpp}, media: {.mp3, .mp4, .avi, .mov}, } def safe_move(src: Path, dest_dir: Path) - None: dest_dir.mkdir(parentsTrue, exist_okTrue) target dest_dir / src.name # 文件名沖突時自動加數(shù)字后綴而不是覆蓋 counter 1 while target.exists(): target dest_dir / f{src.stem}_{counter}{src.suffix} counter 1 shutil.move(str(src), str(target))注意兩個容易忽略的地方一是CATEGORY_MAP用set做后綴名查找因為set的成員判斷是O(1)比列表的in操作快得多文件數(shù)量成百上千時差距顯著二是while target.exists()循環(huán)必須設(shè)置上限否則一旦遇到極端情況比如文件名全是同一前綴會無限循環(huán)。我實際就遇到過某個目錄下有幾千個相似文件這層保護讓腳本避免卡死。還有一點經(jīng)驗是默認先干跑dry-run一遍只打印“將移動哪些文件、移到哪里”不加--execute參數(shù)絕不真正移動文件。這個習(xí)慣救過我很多次尤其是對照片目錄做整理時一旦移動錯位置恢復(fù)成本極高。3.2 文本與日志處理提取和清洗的邊界問題文本處理類腳本的典型場景是日志提取。text_processing/里的extract_log.py核心功能是從滾動日志中按時間段和關(guān)鍵字抽取上下文。寫這類腳本最大的難點不是正則本身而是定義“一段日志”的邊界。很多時候一條日志記錄跨多行比如Python tracebackJava異常堆棧等只按行匹配會截斷關(guān)鍵信息。我的做法是先判斷“本行是否是一條日志的新起點”通過時間戳模式來劃分記錄而不是按固定行數(shù)分割import re from datetime import datetime # 匹配常見日志行首時間戳如 2025-06-01 10:23:45 TIMESTAMP_RE re.compile(r^(\d{4}-\d{2}-\d{2}\s\d{2}:\d{2}:\d{2})) def extract_slice(log_path, start_time, end_time, keywordNone): start_dt datetime.strptime(start_time, %Y-%m-%d %H:%M:%S) end_dt datetime.strptime(end_time, %Y-%m-%d %H:%M:%S) records [] current [] current_ts None with open(log_path, r, encodingutf-8, errorsreplace) as f: for line in f: m TIMESTAMP_RE.match(line) if m: # 新記錄開始先處理上一條 if current and current_ts is not None: records.append((current_ts, current)) current_ts datetime.strptime(m.group(1), %Y-%m-%d %H:%M:%S) current [line.rstrip()] elif current is not None: # 非時間戳開頭的行歸屬當前記錄 current.append(line.rstrip()) # 按時間范圍過濾 result [] for ts, lines in records: if start_dt ts end_dt: if keyword is None or any(keyword in l for l in lines): result.append(\n.join(lines)) return \n\n.join(result)實戰(zhàn)中還有兩個經(jīng)驗日志文件編碼千奇百怪UTF-8帶BOM、GBK混用非常常見。讀取時用errorsreplace而不是直接報錯退出這樣至少能把內(nèi)容提取出來壞字符后續(xù)再單獨排查。超大日志不能一次性read()進內(nèi)存。幾GB的日志文件一次性讀入內(nèi)存直接卡死必須逐行迭代。上面代碼就是流式處理的模式。3.3 系統(tǒng)巡檢與資源監(jiān)控類定時巡檢不能只靠手動系統(tǒng)運維類腳本最典型的代表是system_ops/system_report.py用于收集服務(wù)器的基礎(chǔ)信息、資源使用率、異常進程和磁盤狀態(tài)匯總成可讀報告。既然要定時跑輸出格式就必須統(tǒng)一我的做法是直接生成簡單的HTML或Markdown方便后續(xù)通過郵件或其他方式發(fā)送。寫巡檢腳本時有幾個細節(jié)容易踩坑磁盤空間判斷的閾值不能寫死。不同分區(qū)容量差異巨大一個10GB的分區(qū)用了8GB和1TB的分區(qū)用了800GB完全不是一個風險等級。用百分比而不是絕對數(shù)值比如超過80%才報警。CPU使用率的采集需要時間窗口。讀取一次/proc/stat算出來的只是瞬時值波動極大。更穩(wěn)妥的做法是間隔幾秒采樣兩次再取差值計算平均負載。這也是為什么很多監(jiān)控腳本看著簡單實際跑起來數(shù)據(jù)卻不準的原因。腳本核心部分我保留了一個實用的進程排行邏輯#!/bin/bash # 按CPU和內(nèi)存占用列出Top N進程附帶完整命令行 ps aux --sort-%cpu | head -n 15 echo ---內(nèi)存占用Top--- ps aux --sort-%mem | head -n 10 echo ---磁盤分區(qū)使用率--- df -h | awk $NF ! tmpfs {print}df -h的輸出要看懂第一行是文件系統(tǒng)信息重點看“Use%”列和“Mounted on”列。過濾掉tmpfs是為了排除虛擬內(nèi)存文件系統(tǒng)它們占用看著高但實際不影響物理磁盤。3.4 辦公自動化類報表合并的高頻場景辦公自動化是“腳本能帶來幸福感”最明顯的一類。office_auto/里最有價值的是merge_excel.py它能把幾十個結(jié)構(gòu)相同的Excel表格合并成一個匯總表然后自動生成匯總統(tǒng)計。這個腳本在公司里給行政、財務(wù)、運營同學(xué)解決了不少重復(fù)勞動。實現(xiàn)上我避免了重型框架直接用Python標準庫加最輕量的方式處理import csv import glob from collections import Counter def merge_report(input_dir./reports, outputmerged.csv): header None all_rows [] for csv_file in sorted(glob.glob(f{input_dir}/*.csv)): with open(csv_file, r, encodingutf-8-sig) as f: reader csv.reader(f) rows list(reader) if not rows: continue if header is None: header rows[0] # 跳過表頭避免重復(fù) all_rows.extend(rows[1:]) # 統(tǒng)計每一列的出現(xiàn)頻次便于快速核對 if all_rows: col_counter Counter(len(r) for r in all_rows) print(行字段數(shù)分布, dict(col_counter)) with open(output, w, newline, encodingutf-8-sig) as f: writer csv.writer(f) writer.writerow(header or []) writer.writerows(all_rows) print(f合并完成共 {len(all_rows)} 行數(shù)據(jù)輸出至 {output})注意這里讀取用的是utf-8-sig編碼寫入也用utf-8-sig原因在于Excel默認用帶BOM的UTF-8識別加了BOM后Excel打開CSV才不會亂碼。很多寫CSV的腳本都栽在這個細節(jié)上數(shù)據(jù)本身沒問題但用戶打開看到亂碼第一反應(yīng)就是腳本寫壞了。真實使用中總體流程比代碼本身重要先把Excel另存為CSV再跑合并腳本得到匯總CSV后可以繼續(xù)交給報表工具做透視。直接用Python庫去操作xlsx文件當然也可以但對十幾MB的大表CSV方案速度遙遙領(lǐng)先而且不容易遇到樣式錯亂的問題。3.5 網(wǎng)絡(luò)與連通性工具一鍵診斷勝過到處翻命令網(wǎng)絡(luò)排查類腳本的定位是“把常用命令封裝成好記的工具”。network_utils/check_network.py一次執(zhí)行能輸出本機IP、默認網(wǎng)關(guān)、DNS解析結(jié)果、到目標主機的連通性和延遲、以及開放的常用端口。這里重點說說端口連通性檢測的實現(xiàn)因為很多人只是會用telnet但腳本自動化時telnet并不好用import socket def check_port(host, port, timeout3): 檢測TCP端口是否可連通返回(是否成功, 耗時ms) sock socket.socket(socket.AF_INET, socket.SOCK_STREAM) sock.settimeout(timeout) start time.time() try: result sock.connect_ex((host, port)) elapsed int((time.time() - start) * 1000) return (result 0, elapsed) except socket.gaierror: return (False, -1) # DNS解析失敗 except socket.timeout: return (False, timeout * 1000) finally: sock.close()重點理解connect_ex的返回值0表示連接成功非0值對應(yīng)各種錯誤碼。不要用connect()再捕獲異常在批量掃描場景下connect_ex性能表現(xiàn)更好也更便于統(tǒng)一處理。timeout設(shè)3秒對多數(shù)內(nèi)網(wǎng)環(huán)境足夠但長距跨機房場景需要調(diào)大否則誤報率高。診斷類腳本還有一條重要原則輸出必須給人看而不是給機器看。如果能用彩色標記連通狀態(tài)就把失敗的項用醒目標記展示出來讓人一眼找到問題。一個“跑完就是一片普通文字”的診斷腳本實際排查問題時會加重閱讀負擔。4. 部署、調(diào)用與調(diào)度的完整流程4.1 環(huán)境準備統(tǒng)一解釋器版本和依賴管理100個腳本分布在多個目錄必須解決好環(huán)境一致性問題。我最終做法是建立了虛擬環(huán)境并寫了requirements.txt統(tǒng)一管理依賴。Python腳本統(tǒng)一用python3執(zhí)行并且不允許在腳本內(nèi)使用系統(tǒng)Python的第三方庫路徑全部依賴顯式聲明。創(chuàng)建環(huán)境的完整命令序列如下cd ~/scripts python3 -m venv .venv source .venv/bin/activate pip install --upgrade pip cat requirements.txt EOF requests2.32.3 openpyxl3.1.2 pandas2.2.2 PyYAML6.0.2 EOF pip install -r requirements.txt這里刻意鎖了版本號而不是依賴最新版本。日常工具腳本追求穩(wěn)定某天pandas升級到不兼容版本可能導(dǎo)致多個腳本直接崩潰。萬一后續(xù)有升級需求再主動執(zhí)行pip install --upgrade驗證測試。4.2 統(tǒng)一入口讓腳本像命令一樣隨處可調(diào)腳本整理初期我遇到最大的使用障礙是每次都要輸入完整路徑才能執(zhí)行python ~/scripts/filesystem/organize_downloads.py長、容易敲錯、還要記得路徑。后來把所有腳本統(tǒng)一暴露給一個調(diào)度入口run_script.py原理是掃描目錄結(jié)構(gòu)并動態(tài)加載指定腳本通過命令行參數(shù)自動匹配。#!/usr/bin/env python3 import sys import importlib.util from pathlib import Path SCRIPTS_ROOT Path(__file__).parent def find_script(name): # 在所有分類目錄中搜索名稱完全匹配的腳本文件 for py in SCRIPTS_ROOT.rglob(*.py): if py.stem name: return py return None if __name__ __main__: if len(sys.argv) 2: print(用法: python run_script.py 腳本名 [參數(shù)...]) sys.exit(1) script_name sys.argv[1] script_path find_script(script_name) if script_path is None: print(f未找到腳本: {script_name}) sys.exit(1) # 把剩余參數(shù)透傳給目標腳本 sys.argv [str(script_path)] sys.argv[2:] spec importlib.util.spec_from_file_location(script_name, script_path) module importlib.util.module_from_spec(spec) spec.loader.exec_module(module)有了這個入口任意路徑下執(zhí)行python3 ~/scripts/run_script.py organize_downloads --execute即可不用再關(guān)心腳本放在哪個分類目錄。更進一步還可以把入口軟鏈到~/bin/下加入PATH以后直接敲run-script operate_downloads就行。4.3 定時任務(wù)與日志歸檔自動化是腳本的最終歸宿日常實用腳本的高頻使用場景是定時執(zhí)行。我的基本配置方式是Crontab但有三條鐵律腳本內(nèi)必須做日志輸出不能用print看結(jié)果。因為定時任務(wù)執(zhí)行時沒有終端輸出丟了等于白跑。好的實踐是每個腳本都支持--log參數(shù)把運行記錄寫入固定日志文件。定時任務(wù)里必須寫絕對路徑。Crontab的環(huán)境變量和交互登錄環(huán)境不同腳本里使用相對路徑極易出錯。腳本內(nèi)部涉及路徑的部分統(tǒng)一從環(huán)境變量或配置讀取。給定時任務(wù)加鎖防止重入。如果腳本處理時間超過定時周期上一次還沒跑完下一次就開始了可能造成數(shù)據(jù)錯亂。用flock命令做進程鎖是最簡單的方案。Crontab配置示例# 每天早上9點執(zhí)行系統(tǒng)巡檢 0 9 * * * cd /home/someone/scripts .venv/bin/python run_script.py system_report --log /var/log/scripts/system_report.log /var/log/scripts/cron.log 21 # 每小時執(zhí)行一次日志備份帶flock防重入 5 * * * * /usr/bin/flock -n /tmp/backup_sync.lock /home/someone/scripts/run_script.py backup_rotate --log /var/log/scripts/backup_rotate.log 21定時任務(wù)第一次跑完后務(wù)必人工檢查日志內(nèi)容看輸出是否符合預(yù)期。很多“腳本自動跑了但沒效果”的問題往往就是第一次運行時環(huán)境不對或者路徑錯了后續(xù)一直靜默失敗。5. 常見問題與排查技巧實錄5.1 編碼問題腳本在Windows和Linux間來回搬運時必踩的坑最常見、也最容易讓新手困惑的問題就是編碼不一致。同一份CSV文件在Windows上Excel另存的默認編碼是GBK在Linux上常見的UTF-8。寫腳本如果固定用某種編碼讀取必然在一個平臺報錯。我的排查順序是先file 文件名看系統(tǒng)檢測出的編碼格式再決定用哪種編碼打開。代碼層面讀取文本時加一層編碼自動探測邏輯def smart_open(path): 自動猜測文件編碼并讀取優(yōu)先UTF-8其次GBK兜底用latin-1 raw open(path, rb).read(4096) if raw.startswith(b\xef\xbb\xbf): return open(path, r, encodingutf-8-sig) try: return open(path, r, encodingutf-8) except UnicodeDecodeError: try: return open(path, r, encodinggbk) except UnicodeDecodeError: return open(path, r, encodinglatin-1)注意latin-1是最后兜底選項它能把每個字節(jié)都映射成一個字符保證文件不至于直接打不開但內(nèi)容顯示可能亂碼。這個兜底方案至少能讓你拿到原始字節(jié)數(shù)據(jù)便于進一步分析而不是讓程序瞬間崩潰。5.2 路徑與權(quán)限問題為什么我的腳本別人跑不了100個腳本給團隊其他人用時常常出現(xiàn)“我本地能跑他那邊就報錯”。排除環(huán)境變量差異后90%的原因是腳本內(nèi)部用了絕對路徑或者用了當前工作目錄假設(shè)。例如腳本里寫了report_dir ./reports但別人在別的目錄執(zhí)行路徑就指向了別處。規(guī)范做法是腳本默認以“腳本文件所在目錄”為基準而不是以“執(zhí)行命令時的當前目錄”為基準import pathlib BASE_DIR pathlib.Path(__file__).resolve().parent DEFAULT_REPORT_DIR BASE_DIR / reports另一個高頻坑是Shell腳本沒有執(zhí)行權(quán)限。每次寫完Shell腳本都要記得chmod x script.sh否則即使腳本邏輯完全正確別人用./script.sh運行也會報Permission denied。如果打包給團隊使用最好在文檔里寫清楚安裝命令。5.3 性能瓶頸數(shù)據(jù)量大時腳本卡死怎么處理日常需求的數(shù)據(jù)量通常不大但偶爾會遇到大數(shù)據(jù)集比如幾萬條Excel記錄、幾十GB的日志文件。這時候腳本設(shè)計上的差別就被放大了。我踩過最深的坑是在一個合并統(tǒng)計腳本里直接pd.read_excel讀取幾十個Excel文件每個文件幾萬行結(jié)果內(nèi)存占用沖到幾個GB腳本卡死。用pandas讀xlsx確實方便但Excel格式本身解壓解析開銷巨大。改成先批量轉(zhuǎn)CSV后再用流式處理速度和內(nèi)存占用都省了十倍以上。還有一個容易被忽視的性能殺手在循環(huán)體內(nèi)反復(fù)打開文件或者反復(fù)連接數(shù)據(jù)庫。這種問題很難從代碼靜態(tài)分析中看出來只能通過實際運行時間和資源監(jiān)控定位。排查時用time python script.py先看總耗時再用top或pidstat看運行期間的CPU和內(nèi)存曲線。如果CPU占用很低但耗時很長大概率在等待IO優(yōu)先優(yōu)化文件讀寫或網(wǎng)絡(luò)請求。5.4 使用頻率降低的信號什么時候應(yīng)該刪掉或重寫腳本維護腳本庫半年后我意識到“100個腳本”不能是一潭死水。如果一個腳本連續(xù)兩三個月都沒有被執(zhí)行過它就在消耗你的認知資源。我的處理方式是移入archive/目錄標記“已棄用”但保留歷史代碼。這樣既不打擾日常使用又保留了解決方案的參考價值。另一個信號是“改動越來越頻繁”。如果一個腳本每隔幾天就要改一次參數(shù)或邏輯說明你對它的需求理解還不夠準確。與其一直打補丁不如停下來重寫。重寫時不要把舊代碼直接改兩行就算完事而是回到“它到底要解決什么核心問題”想一遍往往會發(fā)現(xiàn)可以簡化掉一半的復(fù)雜度。6. 從100到更多腳本庫的長期演進6.1 沉淀模板而不是積累一次性代碼腳本數(shù)量過了一百之后真正有價值的不是代碼本身而是可復(fù)用的模式模板。我現(xiàn)在寫新腳本時會直接套用固定的腳本骨架頭部Docstring、參數(shù)解析、日志輸出、異常處理。這個骨架本身就是從100個腳本中總結(jié)出來的。#!/usr/bin/env python3 腳本用途說明 用法示例: python3 script_name.py --input xxx --output yyy 依賴: requests import argparse import logging import sys # 統(tǒng)一日志配置輸出到控制臺可指定日志文件 def setup_logging(log_fileNone): handlers [logging.StreamHandler()] if log_file: handlers.append(logging.FileHandler(log_file, encodingutf-8)) logging.basicConfig( levellogging.INFO, format%(asctime)s %(levelname)s %(message)s, handlershandlers ) def parse_args(): parser argparse.ArgumentParser(description) parser.add_argument(--input, requiredTrue) parser.add_argument(--output, default) parser.add_argument(--log, defaultNone, help日志文件路徑) return parser.parse_args() def main(): args parse_args() setup_logging(args.log) logging.info(f開始執(zhí)行參數(shù): {args}) # 核心邏輯 logging.info(執(zhí)行完成) if __name__ __main__: sys.exit(main())寫長得可能覺得模板本身沒什么技術(shù)含量但實際價值在于統(tǒng)一的參數(shù)風格、統(tǒng)一的日志行為、統(tǒng)一的結(jié)構(gòu)。團隊里任何人接手任何一個腳本都能立刻看懂入口和數(shù)據(jù)流向省去大量的解釋成本。6.2 文檔與檢索讓腳本庫“可搜索”腳本積累到一定規(guī)模檢索效率變得和編寫效率一樣重要。我維護了一個INDEX.md按分類記錄了每個腳本的名稱、一句話功能、使用頻率、是否推薦使用。這個文件本身也是腳本自動生成的每周運行一次update_index.py掃描腳本頭部的Docstring和時間戳自動把內(nèi)容同步進去。加上前文說的run_script.py統(tǒng)一入口完整的檢索鏈條是這樣的想找“用什么工具能批量壓縮圖片”grep -i 壓縮\|圖片\|image INDEX.md直接定位到腳本名。不記得準確名字在統(tǒng)一入口執(zhí)行run_script.py --search 關(guān)鍵字自動遍歷所有腳本的Docstring和文件名。確認后直接運行參數(shù)風格一致無需重新學(xué)習(xí)。這一步徹底改變了工具庫的使用體驗。以前是“翻文件夾找半天”現(xiàn)在是“一條命令找到并執(zhí)行”日常使用頻率提升了兩倍都不止。6.3 安全執(zhí)行腳本庫變大后最容易忽略的事腳本庫變大后安全性是我后來才意識到的問題。批量腳本經(jīng)常涉及文件覆蓋、移動、刪除操作一旦邏輯寫錯輕則數(shù)據(jù)錯亂重則把重要文件清理掉。我給高危操作腳本加了兩道防線默認--dry-run只打印操作計劃不實際執(zhí)行。強制要求顯式加--execute才能動手杜絕誤操作。執(zhí)行前自動備份受影響文件到.backup/目錄備份保留30天后再自動清理。這里有個小技巧刪除類操作不要直接用rm而是移到臨時trash目錄過幾天確認沒問題再清空。用Python實現(xiàn)也很簡單shutil.move到~/.trash/即可。這套機制讓腳本在外人手里也足夠安全。7. 寫在最后的實踐心得100個腳本整理到這個程度我對“日常實用”四個字有了更具體的理解。所謂實用不是代碼多漂亮、技術(shù)多前沿而是你真正會去用、能放心用、出問題敢修。建議你按照這個思路把散落在自己電腦里的腳本都撈出來先分類、再規(guī)范命名、然后補上統(tǒng)一入口。整理這個動作本身的價值有時比寫新腳本還要大。最后分享一個我保留了很久的習(xí)慣每次解決完一個臨時性問題都順手把那個“一次性處理命令”沉淀成正式腳本。100個腳本就是這樣在日常工作中一點一點長出來的。工具庫不是規(guī)劃出來的而是積累出來的關(guān)鍵是你要有一套讓積累可持續(xù)的結(jié)構(gòu)。