NLog配置:如何过滤特定日志信息
在ASP.NET Core应用开发中,日志记录是一个非常重要的环节。NLog作为.NET生态中广泛使用的日志记录框架,提供了强大的日志过滤和路由功能。本文将深入探讨如何通过NLog配置来过滤特定的日志信息,特别是针对Entity Framework Core产生的数据库命令日志。
问题背景
在开发ASP.NET Core应用时,开发者经常会遇到Entity Framework Core产生大量数据库命令日志的情况。这些日志通常以"Executed DbCommand"开头,包含了SQL查询和执行时间等信息。虽然这些信息在调试时很有用,但在生产环境或日常开发中可能会造成日志冗余,影响关键信息的查找。
NLog配置解析
NLog提供了多种方式来控制日志的输出,包括日志级别设置、日志路由规则和过滤器等。让我们来看一个典型的配置示例:
<nlog>
<targets>
<target type="ColoredConsole"
name="lifetimeConsole"
layout="${date:format=yyyy-MM-dd HH\:mm\:ss zzz} [${level:uppercase=true}] [${logger}] ${message} ${exception:format=tostring}" />
</targets>
<rules>
<logger name="System.*" finalMinLevel="Warn" />
<logger name="System.Net.Http.*" finalMinLevel="Warn" />
<logger name="Microsoft.*" finalMinLevel="Warn" />
<logger name="Microsoft.Hosting.Lifetime" finalMinLevel="Info" />
<logger name="Microsoft.EntityFrameworkCore.*" finalMinLevel="Info" />
<logger name="Microsoft.EntityFrameworkCore.Database.Command" minLevel="Info" final="true" writeTo="lifetimeConsole">
<filters defaultAction="Log">
<when condition="contains('${message}','Executed DbCommand')" action="IgnoreFinal" />
</filters>
</logger>
<logger name="*" minlevel="Info" writeTo="lifetimeConsole" />
</rules>
</nlog>
关键配置点解析
-
finalMinLevel属性:这个属性设置了一个最低日志级别阈值,低于该级别的日志将被完全忽略。与minLevel不同,finalMinLevel会阻止日志继续匹配后续的规则。
-
过滤器使用:在特定logger规则中使用
<filters>元素可以更精细地控制日志输出。IgnoreFinal动作会完全阻止匹配的日志消息被记录。 -
条件表达式:
contains('${message}','Executed DbCommand')是一个条件表达式,用于检查日志消息是否包含特定字符串。 -
logger命名空间匹配:NLog支持使用通配符(*)来匹配logger名称空间,这使得我们可以针对特定类库的日志进行统一管理。
最佳实践建议
-
分层配置:建议按照从具体到一般的顺序排列logger规则,这样更具体的规则会优先匹配。
-
调试配置:在调试NLog配置时,可以启用内部日志功能,这有助于理解日志是如何被路由和过滤的。
-
谨慎使用final属性:final属性会阻止日志继续匹配后续规则,使用时需要确保不会意外屏蔽需要的日志。
-
考虑性能影响:复杂的过滤条件可能会对应用性能产生轻微影响,在生产环境中应进行适当测试。
通过合理配置NLog,开发者可以有效地管理应用日志输出,确保日志系统既提供足够的信息用于调试和问题排查,又不会因为过多冗余信息而影响使用体验。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00