Stern日志工具v1.32.0版本发布:新增JSON美化与条件过滤功能
Stern是一个强大的Kubernetes日志查看工具,它允许开发者实时查看多个Pod的日志输出,并提供了丰富的过滤和格式化功能。与传统的kubectl logs命令相比,Stern能够同时跟踪多个Pod的日志,并支持基于颜色、时间戳等多种方式的日志格式化输出,极大提升了在Kubernetes环境下调试和监控应用的效率。
核心功能升级
新增JSON美化输出功能
在v1.32.0版本中,Stern引入了两个重要的模板函数来改进JSON日志的处理能力:
-
prettyJSON函数:这个新函数可以自动解析输入的JSON字符串并以美观格式输出。如果输入不是有效的JSON,则会原样输出字符串。这在处理结构化日志时特别有用,可以显著提升日志的可读性。
-
tryParseJSON函数:配合with语句使用,可以只处理有效的JSON日志,自动过滤掉非JSON格式的日志内容。
开发者现在可以通过以下方式使用这些新功能:
stern --template='{{ .Message | prettyJSON }}{{"\n"}}' backend
或者结合条件判断,只处理JSON日志:
stern --template='{{ with $msg := .Message | tryParseJSON }}{{ prettyJSON $msg }}{{"\n"}}{{end}}' backend
增强Bunyan日志支持
针对使用Bunyan日志库的Node.js应用,新版本增加了bunyanLevelColor模板函数。这个函数能够根据Bunyan定义的日志级别数值(如10-TRACE,20-DEBUG等),自动为不同级别的日志应用适当的颜色,使得日志级别的视觉区分更加直观。
新增Pod条件过滤功能
v1.32.0版本引入了一个重要的新标志**--condition**,允许用户基于Pod的状态条件来过滤日志。这个功能特别适合在调试或监控时,只关注特定状态的Pod。
使用示例:
stern . --condition=ready=false --tail=0
这条命令只会显示未就绪(ready=false)的Pod的日志。需要注意的是,此功能目前仅支持与--tail=0或--no-follow参数一起使用。
其他改进与修复
-
修复了extjson和ppextjson模板函数的描述,使其更准确地反映功能。
-
增强了levelColor模板函数,现在可以正确处理数字类型的日志级别值。
-
优化了--no-follow与--tail=0参数组合时的行为检查,确保在这种情况下条件过滤功能能够正常工作。
使用建议
对于经常需要处理Kubernetes日志的开发者,特别是那些使用JSON格式日志或Bunyan日志库的团队,这个版本提供了显著的可用性提升。新的JSON美化功能使得结构化日志更易读,而条件过滤则为故障排查提供了更精准的工具。建议开发者在日常调试中尝试这些新功能,可以大大提高工作效率。
对于运维团队,新的Pod条件过滤功能特别有价值,可以在服务出现问题时快速定位到异常Pod,而不需要手动筛选日志。结合Stern原有的多Pod日志聚合能力,这个版本进一步巩固了Stern作为Kubernetes日志查看首选工具的地位。
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
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-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。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