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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00