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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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