如何在Polly V8中抑制Execution Attempt日志
背景介绍
Polly是一个流行的.NET弹性库,用于处理瞬态故障和构建弹性应用程序。在Polly V8版本中,ResiliencePipelineBuilder引入了新的日志记录机制,其中包含了一些默认的日志输出,如"Execution attempt"日志。这些日志在某些情况下可能会造成日志系统的冗余输出。
问题现象
当使用ResiliencePipelineBuilder构建重试策略时,即使操作成功执行且无需重试,系统仍会记录类似以下的日志信息:
Execution attempt. Source: 'screenshot-stream-with-retries/(null)/Retry', Operation Key: 'null', Result: 'System.IO.MemoryStream', Handled: 'false', Attempt: '0', Execution Time: '730.3186'
这种日志在成功执行的场景下可能显得多余,增加了日志系统的噪声。
解决方案
方法一:调整Polly日志级别
最直接的解决方案是通过调整Polly的日志级别来控制日志输出。可以将Polly相关的日志级别设置为Warning或更高,这样就不会记录信息级别的Execution Attempt日志。
在ASP.NET Core应用中,可以在appsettings.json中配置:
{
"Logging": {
"LogLevel": {
"Polly": "Warning"
}
}
}
或者在Program.cs中使用代码配置:
builder.Logging.AddFilter("Polly", LogLevel.Warning);
方法二:使用日志过滤器
如果需要更精细的控制,可以创建自定义的日志过滤器来排除特定的日志消息。例如:
builder.Logging.AddFilter((provider, category, logLevel) =>
{
if (category.StartsWith("Polly") &&
logLevel == LogLevel.Information &&
message.Contains("Execution attempt"))
{
return false;
}
return true;
});
方法三:自定义日志记录器
对于更复杂的场景,可以实现自定义的ILoggerProvider和ILogger,在记录日志前进行检查和过滤。
最佳实践建议
-
生产环境:建议将Polly的日志级别设置为Warning或Error,除非特别需要调试弹性策略的执行细节。
-
开发环境:可以保留Info级别的日志,便于调试和验证弹性策略的正确性。
-
关键操作:对于特别重要的操作,可以考虑在OnRetry回调中记录自定义的详细日志,而不是依赖默认的Execution Attempt日志。
-
性能考虑:频繁的日志记录可能影响性能,特别是在高吞吐量系统中,应谨慎选择日志级别。
总结
Polly V8的ResiliencePipelineBuilder提供了强大的弹性策略构建能力,同时也带来了更详细的日志记录功能。通过合理配置日志级别或使用自定义过滤器,可以有效地控制日志输出,保持日志系统的整洁和高效。根据应用场景选择合适的日志级别配置,既能满足监控需求,又能避免日志过载。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00