在Next.js项目中集成Pino日志系统的实践指南
2025-05-14 21:41:28作者:鲍丁臣Ursa
前言
在现代Web应用开发中,日志记录系统是必不可少的基础设施。Pino作为Node.js生态中高性能的日志记录器,以其出色的性能和灵活的扩展性受到开发者青睐。本文将详细介绍如何在Next.js框架中集成Pino日志系统,并实现跨客户端和服务端的统一日志管理。
核心需求分析
在Next.js项目中集成Pino需要解决几个关键问题:
- 环境适配:需要同时支持浏览器环境和服务器环境
- 请求追踪:需要自动关联请求ID和用户标识
- 日志传输:需要支持将日志发送到Logflare等日志服务
- 统一接口:需要提供一致的API供客户端和服务器端使用
基础日志器配置
首先,我们创建一个基础日志器配置,根据环境决定是否启用Logflare集成:
import pino from 'pino';
import { createPinoBrowserSend, createWriteStream } from "pino-logflare"
// 判断是否为预览或生产环境
const isPreviewOrProduction = process.env.VERCEL_ENV === 'preview' || process.env.VERCEL_ENV === 'production';
let baseLogger: pino.Logger;
if (isPreviewOrProduction && process.env.NEXT_PUBLIC_LOGFLARE_KEY && process.env.NEXT_PUBLIC_LOGFLARE_SOURCE) {
// 生产环境配置Logflare集成
const stream = createWriteStream({
apiKey: process.env.NEXT_PUBLIC_LOGFLARE_KEY,
sourceToken: process.env.NEXT_PUBLIC_LOGFLARE_SOURCE,
});
const send = createPinoBrowserSend({
apiKey: process.env.NEXT_PUBLIC_LOGFLARE_KEY,
sourceToken: process.env.NEXT_PUBLIC_LOGFLARE_SOURCE,
});
baseLogger = pino({
browser: {
transmit: {
level: "info",
send: send,
}
},
level: "debug",
base: {
env: process.env.VERCEL_ENV || process.env.NODE_ENV,
release: process.env.NEXT_PUBLIC_APP_VERSION,
},
}, stream);
} else {
// 开发环境基础配置
baseLogger = pino({
level: "debug",
base: {
env: process.env.VERCEL_ENV || process.env.NODE_ENV,
release: process.env.NEXT_PUBLIC_APP_VERSION,
},
});
}
环境感知日志器工厂
为了实现在不同环境下自动适配的日志器,我们创建了一个日志器工厂函数:
const getLogger = (name: string, req?: NextRequest) => {
if (typeof window !== "undefined") {
// 浏览器环境处理逻辑
const cookies = document.cookie;
const cookieKeyValues = cookies.split(";").map((cookie) => cookie.trim().split("="));
const posthog = cookieKeyValues.find(([key]) => key === posthogCookieName);
let correlationId = null;
if (posthog) {
try {
const value = JSON.parse(decodeURIComponent(posthog[1]));
correlationId = value?.distinct_id;
} catch (error) {
console.error("Error parsing posthog cookie", error);
}
}
return baseLogger.child({
name,
from: "browser",
correlationId,
// 添加浏览器环境特有信息
});
} else {
// 服务器环境处理逻辑
const isEdgeRuntime = typeof EdgeRuntime !== 'undefined';
if (isEdgeRuntime) {
// Edge Runtime特殊处理
if (!req) throw new Error('Request object is required in edge runtime');
const requestId = req.headers.get("x-vercel-id");
const posthog = req.cookies.get(posthogCookieName);
const value = JSON.parse(posthog?.value || '{}');
return baseLogger.child({
requestId,
correlationId: value?.distinct_id,
// 添加Edge环境特有信息
from: "edge",
name,
});
} else {
// 标准Node.js环境处理
const { cookies, headers } = require("next/headers");
const posthog = cookies().get(posthogCookieName);
const value = JSON.parse(posthog?.value || "{}");
return baseLogger.child({
name,
from: "server",
correlationId: value?.distinct_id,
requestId: headers().get("x-vercel-id"),
});
}
}
}
实际应用示例
在中间件中使用
const logger = getLogger('middleware', request);
logger.info({ path: request.nextUrl.pathname }, 'Middleware processing request');
在页面组件中使用
const logger = getLogger('src/app/page.tsx');
logger.info('Page component rendered');
在客户端组件中使用
"use client";
const logger = getLogger('src/components/Button.tsx');
function Button() {
const onClick = () => {
logger.info('Button clicked');
};
return <button onClick={onClick}>Click me</button>;
}
高级特性实现
1. 请求追踪
通过自动从请求头中提取x-vercel-id作为请求ID,实现了跨服务的请求追踪。同时从PostHog cookie中提取用户标识作为关联ID,便于分析用户行为。
2. 环境区分
日志中自动添加from字段标识日志来源(browser/edge/server),便于后期分析排查问题。
3. 上下文丰富
在浏览器环境中自动记录URL和查询参数,在服务器环境中记录请求方法和headers等信息,为问题诊断提供充分上下文。
性能优化建议
- 日志级别控制:在生产环境中适当提高日志级别阈值,避免记录过多调试信息
- 采样率配置:对于高流量应用,可以配置采样率避免日志量过大
- 批量传输:浏览器环境中可以考虑实现日志批量传输,减少网络请求
- 敏感信息过滤:确保不会记录敏感信息如密码、token等
错误处理策略
- cookie解析容错:对cookie解析添加try-catch,避免因格式问题导致日志记录中断
- 备用日志通道:当Logflare不可用时,应有备用日志存储方案
- 错误边界处理:在React组件中实现错误边界,确保日志记录错误不会影响UI渲染
总结
本文介绍的Next.js+Pino集成方案实现了以下目标:
- 统一了客户端和服务端的日志接口
- 自动关联请求和用户上下文
- 支持多种运行时环境(浏览器、Edge、Node.js)
- 实现了生产环境日志服务集成
- 提供了丰富的日志上下文信息
这种实现方式既保持了Pino的高性能特性,又适应了Next.js的全栈特性,为应用提供了强大的可观测性支持。开发者可以根据实际需求进一步扩展和定制,构建更加完善的日志监控系统。
登录后查看全文
热门项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
222
238
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
671
156
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217