一、一张过期的证书能造成多少损失
先讲一次真实事故。去年冬天,一个跑了三年的小站早上七点开始从 Chrome 弹出红色警告页面,用户点「高级」→「继续前往」的比例不到三成。到中午我把证书修好,当天流量只剩平常的四成,搜索排名掉了两个位次,三周后才慢慢回来。整件事的根因不是「没有自动续期」,而是配了自动续期、日志里也显示成功、但新证书从来没有被真正加载。
Let's Encrypt 的证书有效期已经从 90 天提到接近 90 天不变但续期窗口改成了到期前 30 天,而实际上 renewal 会在剩余 30 天时触发。这意味着一个失效周期有整整 30 天可以暴露问题,可绝大多数人只在第 89 天才发现 —— 因为没有人在第 60 天去看一眼。
本文讲的不是「怎么装 certbot」,而是把「证书现在到底是否有效、什么时候过期、谁在负责、坏了怎么办」这四件事变成可以一条命令问清楚的确定状态。管理不存在的状态,就是在管理幻觉。
二、先学会自己读证书,不要依赖工具的输出
certbot 说「Congratulations」,不等于浏览器拿到了正确的东西。判断证书状态最靠得住的工具是 openssl,因为它读的就是服务端真正吐出来的字节。
echo | openssl s_client -connect www.example.com:443 -servername www.example.com 2>/dev/null \
| openssl x509 -noout -subject -issuer -dates -ext subjectAltName
四个关键点。-servername 不能省,它发的是 SNI,多站点共用一个 IP 时省掉它会拿到默认站点的证书,测出来是「域名不匹配」的假故障。输出里的 notAfter 是证书到期时间,subjectAltName 列出的才是真正被覆盖的域名 —— 很多人以为 CN 就是域名,实际上现代浏览器只认 SAN,CN 早就不再参与匹配。
再往前一步,检查证书链是否完整。这是国内环境里最高频的「浏览器不报错但别的客户端报错」的原因:
echo | openssl s_client -connect www.example.com:443 -servername www.example.com 2>/dev/null | grep -E 'Verify return code|depth='
# 期望:Verify return code: 0 (ok),且 depth 至少到 1(中间证书)
如果只有 depth=0 一行,说明服务器只发了叶子证书,没带中间证书。Chrome 和 Firefox 有 AIA 自动补链机制,多数情况下能自己补齐,所以你在浏览器里看不出问题;但 Android 老版本、Java 客户端、以及百度的爬虫不会自动补链,会直接握手失败。这类站点在百度那边表现为「抓取失败」,而你在 Chrome 里怎么刷新都正常 —— 我见过有人为此折腾了两周的 robots.txt。
Nginx 的正确配法是把证书和中间证书合成一个文件,顺序是「叶子在前、中间在后」:
cat fullchain.pem > /etc/nginx/ssl/example.pem
# certbot 生成的 fullchain.pem 本身就已经包含中间证书,直接用即可
ssl_certificate /etc/nginx/ssl/example.pem;
ssl_certificate_key /etc/nginx/ssl/example.key;
ssl_trusted_certificate /etc/nginx/ssl/chain.pem; # 用于 OCSP stapling顺手把 ssl_trusted_certificate 配上,OCSP stapling 才能真正工作。这一项不影响是否可用,但能省掉客户端一次跨公网查询,对首屏时间有几十毫秒的贡献。
三、certbot 续期成功,为什么文件没变
这是最迷惑人的一层。certbot 的续期逻辑是:证书剩余有效期小于 30 天时执行续期,否则跳过。看日志时你会看到两类输出:
# 未到期时的正常输出
Certificate not yet due for renewal; no action taken.
# 真正续期时的输出
Renewing an existing certificate for www.example.com
Congratulations, all renewals succeeded:
/etc/letsencrypt/live/www.example.com/fullchain.pem (success)如果你看到 no action taken 却以为「续期成功」,那就已经错了一半。/etc/letsencrypt/live/ 下那些文件是软链接,指向 archive/ 目录里的带序号版本,判断是否真的换了证书要看目标文件的时间戳和序列号:
ls -l /etc/letsencrypt/live/www.example.com/
openssl x509 -in /etc/letsencrypt/live/www.example.com/fullchain.pem -noout -serial -enddate
# 与线上实际提供的对比
echo | openssl s_client -connect www.example.com:443 -servername www.example.com 2>/dev/null | openssl x509 -noout -serial两个序列号不一致,就是「证书换了但服务没重载」。这是全套流程里唯一一个真正的失败点,因为 certbot 的 --deploy-hook 配置错了不会让续期失败,它只会静默地什么也不做。历史上这个 hook 踩过的坑按发生率排:
路径写错。用 certbot renew --dry-run 测试时,hook 是在 /etc/letsencrypt/renewal-hooks/deploy/ 里跑的,当前工作目录是随机的,任何相对路径都会失败。
systemctl 在容器或精简环境里不存在。老版本用 service nginx reload,现在多数系统已经是 systemctl,混用会得到 command not found,而这个错误只出现在 certbot 的日志里,不在 nginx 日志里。
reload 与 restart 搞混。Nginx reload 是优雅重载,会读新配置和新证书;restart 是停掉再起。两者都能加载新证书,但 reload 不会中断现有连接,是正确选择。只 reload 不验证是最常见的第三类错误 —— 重载成功不等于证书生效,重载后必须再跑一次上面的序列号对比。
四、webroot 还是 standalone:两害相权
Let's Encrypt 的验证方式主要有两种(DNS-01 后面单讲)。两者的差别不在安全性,而在「续期时要不要求站点正常」。这个差别决定了故障恢复时的行为。
webroot 要求站点在 80 端口正常提供 /.well-known/acme-challenge/ 文件。它的优点是服务不用停,缺点是任何一条「拦截规则」都会让它失败:Nginx 里前置的 return 301 https://$host$request_uri、CDN 层强制 HTTPS、防护规则把无头请求判定为机器流量、以及最常见的一个 —— 站点换域名后 webroot 路径还指着老目录。
# 正确的 Nginx 写法:把 acme 目录放在一切重定向之前
server {
listen 80;
server_name www.example.com;
location ^~ /.well-known/acme-challenge/ {
root /var/www/letsencrypt;
default_type text/plain;
try_files $uri =404;
}
location / {
return 301 https://$host$request_uri;
}
}^~ 前缀匹配优先于普通 location 和正则,这是让它不被后面的规则抢先的关键。default_type text/plain 也不能少:某些 Nginx 配置里 types { } 没有 default 行,无扩展名文件会返回 application/octet-stream,ACME 校验器对 Content-Type 有要求。
standalone 会自己起一个临时监听 80 端口的进程,所以续期时必须先停 Nginx,续完再起。它的优点是绕开所有 web 层配置问题,缺点是把「站点可用性」和「证书续期」耦合在了一起 —— 一旦 reload 之后没起回来,站点就彻底挂了。
我的选择是:对外服务的站点用 webroot,纯 API 或非 80 端口的用 standalone 但要配好 pre_hook 与 post_hook,并在 post_hook 里带上「起不来就报警」的动作。两者的取舍本质上是在「配置复杂度」和「可用性风险」之间选:webroot 的风险是静默失败(到期前几天才暴露),standalone 的风险是立即失败(但当场就能发现)。
五、DNS-01 与泛域名:省事的代价
如果你有通配符证书的需求(比如每个客户一个子域),或者 80 端口被 CDN 占着拿不回来,就必须走 DNS-01。certbot-dns-cloudflare 之类的插件通过 API 在你的 DNS 里写一条 _acme-challenge TXT 记录来完成验证。
# /root/.secrets/cloudflare.ini —— 权限必须 600,否则 certbot 拒绝执行
chmod 600 /root/.secrets/cloudflare.ini
certbot certonly --dns-cloudflare \
--dns-cloudflare-credentials /root/.secrets/cloudflare.ini \
--dns-cloudflare-propagation-seconds 60 \
-d example.com -d '*.example.com' --non-interactivepropagation-seconds 是这里最容易出问题的参数。默认 10 秒,而很多 DNS 服务商的 TXT 记录生效需要 30 到 120 秒,默认值会导致约一半的申请因 incorrect TXT record 而失败 —— 且只在续期时失败,第一次手工申请时往往因为人在旁边等着而侥幸成功。稳妥值是按你自己实测的生效时间来翻倍,不是照抄别人的 60。
DNS-01 的另一个代价是 API Token 的权限。插件需要能改 DNS 记录,这个 token 一旦泄露等于你的域名被人接管。做法是只授「区域 DNS 编辑」权限、限定到具体 zone、并且 token 放在只有 root 能读的目录下。certbot 每次跑完都建议轮换一次 —— 如果做不到轮换,至少确认它没有过期告警、没有出现在任何 git 仓库里。
还有一个坑:泛域名 *.example.com 不包含 example.com 本身,两个都要写在 -d 里。这个错误非常常见,表现是裸域访问提示证书不匹配,而 www 子域正常。
六、把「有没有过期」变成一个可监控的数字
所有前面说的都建立在「有人去看」的前提上。现实中唯一可靠的做法是让机器自己看,并且在 21 天时就报警,而不是在 7 天时。理由是:剩 7 天时你已经没有时间复查了,而且是事故窗口;剩 21 天时你至少有两次机会去修。
#!/bin/bash
# /usr/local/bin/cert-check.sh —— 每天跑一次,剩 <21 天就告警
DOMAINS="www.example.com api.example.com"
for d in $DOMAINS; do
end=$(echo | openssl s_client -connect "$d:443" -servername "$d" 2>/dev/null \
| openssl x509 -noout -enddate 2>/dev/null | cut -d= -f2)
[ -z "$end" ] && { echo "ALERT $d 握手失败"; continue; }
days=$(( ( $(date -d "$end" +%s) - $(date +%s) ) / 86400 ))
[ "$days" -lt 21 ] && echo "ALERT $d 仅剩 $days 天($end)"
done这个脚本的关键是从外网侧测,而不是读本地文件。读本地文件只能证明「有证书」,证明不了「服务端在用它」。事故里最常见的形态恰恰是本地文件新鲜、线上还在用旧的。把脚本挂到 cron 里,输出非空就发一条通知,这套机制的价值高于任何一次手工检查。
再补一个有效期之外还应该看的东西:证书的签发者是否还是你预期的 CA。openssl x509 -noout -issuer 输出的 C 字段是 US 且 O 是 Let's Encrypt,说明正常;如果不是,可能有人换了证书或者你连到了错误的服务器(DNS 污染、hosts 被改)。这条检查在 2018 年 Symantec 事件里救过不少人。
七、证书真的过期了,优先级顺序怎么排
假如你某天下午发现证书已经过期 6 小时,正确动作的顺序是固定的,不要临场发挥。
第一步,立刻出一张新证书,用最不依赖现有配置的方式。不要先诊断为什么续期没跑,先用 standalone 强行签发,把线上恢复到可用状态。可用性优先于根因分析,因为每一分钟都在丢流量。
systemctl stop nginx
certbot certonly --standalone -d example.com -d www.example.com --force-renewal
systemctl start nginx
echo | openssl s_client -connect example.com:443 -servername example.com 2>/dev/null | openssl x509 -noout -enddate第二步,确认浏览器端真的恢复。新证书不代表所有入口都恢复:如果前面有 CDN,CDN 层的证书是另外一份,需要在 CDN 控制台上传;如果有负载均衡或多台后端,每台都要更新。用 dig +short 拿到所有 A 记录,逐个 openssl s_client 测,别只测一台。
第三步,才去查为什么没续期。按这个顺序看:certbot renew --dry-run 是否通过 → /var/log/letsencrypt/letsencrypt.log 里最近一次续期的时间和结果 → systemctl list-timers 里 certbot.timer 是否在跑 → deploy hook 是否执行过 → Nginx 是否真的重载了。这五步基本能覆盖 95% 的失败原因。
第四步,补上监控。上面的 shell 脚本就是这一步的产物。没有这一条,同样的故事会在 60 天后重演一遍。
八、小结:证书管理的四件事
把整套流程抽象一下,证书管理只需要四件事做到位,其余都是细节。第一,能从外网测 —— 用 openssl s_client 而不是读本地文件;第二,证书链完整 —— fullchain 里必须有中间证书,否则百度与安卓老版本会挂;第三,续期后必须验证加载 —— 序列号对比是最低成本的确证;第四,21 天预警 —— 留出两次修复机会。
还有一条属于经验层面的判断:不要同时换域名和换证书。这两件事叠加时,出问题后你无法分辨是哪一步导致的。我在 2023 年见过一次,换域名当天顺手把证书方式从 webroot 改成 DNS,结果 CDN 层还留着老证书,排查花了六个小时。分开做,每步验证,是小站运维里最便宜的一条纪律。