不高,但要看“自动化脚本”具体干什么。
一句话判断:低频、轻量、I/O 等待型的 Python 自动化脚本,1 核 1GB 基本够用;高并发、大文件处理、浏览器自动化、AI/图像类任务,1 核 1GB 会明显吃紧。
1. 普通自动化脚本,1 核 1GB 没问题
如果只是下面这类任务,Python 在 1 核 1GB 上跑起来压力不大:
- 定时调用 API,拉取数据后入库或写文件;
- 批量执行 SSH 命令、检查主机状态;
- 日志清理、文件归档、备份脚本;
- 证书到期提醒、服务存活检测;
- 小规模爬虫,低并发抓取;
- 每天/每小时跑一次的报表、同步、通知脚本。
这类脚本大多数时间都在等网络、等磁盘、等接口响应,CPU 占用并不高。Python 解释器本身启动后有几十 MB 级别的内存开销,简单脚本加上 requests、paramiko、pymysql 这类库,通常也不会太夸张。1GB 内存跑一两个这种脚本,问题不大。
2. 真正吃资源的是任务本身,不是 Python 这三个字
很多人会把问题归到“Python 性能”,但实际瓶颈往往在这些地方:
浏览器自动化
比如 Selenium、Playwright、Puppeteer 类似场景,真正吃资源的是 Chromium/Chrome。
一个 headless 浏览器实例可能占用几百 MB 内存,开多个页面、多个浏览器并发,1GB 很容易爆。偶尔跑一个简单浏览器脚本还行,多实例并发就不适合。
数据处理
用 pandas 读几百万行 CSV、Excel,或者一次性把大文件加载进内存,也很容易把 1GB 吃满。
pandas 处理数据时,内存占用经常不是文件大小本身,而是文件大小的几倍。比如一个 200MB 的 CSV,处理过程中占 600MB 甚至更多都很常见。
高并发爬虫
如果脚本里开了几十上百个并发请求,内存、文件描述符、网络带宽、目标接口响应都会成为问题。1 核 CPU 下,高并发反而可能把调度和超时重试搞乱,任务越堆越多。
图片、视频、AI 推理
OpenCV、图像识别、模型推理、视频转码这类任务,对 CPU 和内存要求都偏高。1 核 1GB 不是不能跑,但只能跑非常轻量的任务,稍微大一点就会慢到没意义。
3. 1 核 CPU 的瓶颈主要在“持续计算”
1 核机器最怕的是脚本长时间占满 CPU,比如:
- 大量 JSON/HTML 解析;
- 加密解密、压缩解压;
- 图片处理;
- 复杂正则;
- 大批量数据循环计算;
- 多进程并发跑计算任务。
Python 多线程受 GIL 影响,CPU 密集型任务靠多线程提升有限;换成多进程又会增加内存占用,而且只有 1 核,多进程也不会让计算能力凭空变出来。
如果是在一些共享型或突发性能型的云服务器上,长时间跑满 CPU 还可能触发性能限制,表现就是脚本越跑越慢,定时任务互相拖。
4. 实际部署时建议留余量
1GB 内存看起来是 1GB,但系统本身、SSH、日志、监控组件、数据库、面板程序都会占一部分。实际能留给脚本的内存可能只有几百 MB。
比较稳的做法是:
- 脚本峰值内存最好控制在可用内存的 60%~70% 以内;
- 定时任务要防重入,比如用
flock、锁文件或数据库锁,避免上一次没跑完下一次又启动; - 给网络请求设置
timeout和重试上限,防止脚本卡死; - 日志要做切割,别让日志文件无限增长;
- 大文件用流式读取或分批处理,不要一次性全加载;
requests这类请求尽量复用Session;- 爬取或批量处理时控制并发,不要一上来开几十上百线程;
- 可以配置一点 swap,防止偶发内存峰值直接 OOM;
- 用
top、htop、free -m观察一段时间,看真实峰值和 CPU 占用。
5. 什么时候该升配?
出现下面情况,就别硬扛 1 核 1GB 了:
- 脚本经常跑满 CPU,持续几分钟以上;
- 内存长期高于 80%,或者出现进程被系统杀掉;
- 需要同时跑 MySQL、Redis、Web 服务和多个自动化脚本;
- 浏览器自动化并发超过 1~2 个;
- 每天要处理大量数据、图片、日志;
- 对任务完成时间有要求,比如必须在几分钟内跑完。
这种场景建议至少 2 核 2GB 起步,内存优先加。很多 Python 自动化任务不是 CPU 不够,而是内存峰值顶不住。
结论
普通 Python 自动化脚本对 1 核 1GB 服务器要求不高,适合跑低频、轻量、I/O 等待型任务。
但如果你要做高并发爬虫、浏览器自动化、大文件分析、图片处理或者长期 CPU 密集型任务,1 核 1GB 就偏紧了。
选型时别只看“Python 脚本”四个字,重点看:数据规模、并发数、是否常驻、是否用浏览器、是否会一次性加载大文件。判断清楚这些,1 核 1GB 能不能用基本就很明确了。
云服务器