Serilog.AspNetCore 使用教程
1. 项目介绍
Serilog.AspNetCore 是一个用于 ASP.NET Core 的 Serilog 集成库。它允许你将 ASP.NET Core 的日志消息通过 Serilog 进行路由,从而使你可以将 ASP.NET Core 的内部操作信息与应用程序事件一起写入相同的 Serilog 接收器(sinks)。通过这种方式,你可以更方便地管理和分析应用程序的日志信息。
2. 项目快速启动
安装 Serilog.AspNetCore
首先,你需要在你的 ASP.NET Core 项目中安装 Serilog.AspNetCore NuGet 包。你可以使用以下命令进行安装:
dotnet add package Serilog.AspNetCore
配置 Serilog
在你的应用程序的 Program.cs 文件中,配置 Serilog 并将其集成到 ASP.NET Core 的日志系统中。以下是一个简单的配置示例:
using Serilog;
try
{
Log.Logger = new LoggerConfiguration()
.WriteTo.Console()
.CreateLogger();
Log.Information("Starting web application");
var builder = WebApplication.CreateBuilder(args);
// 添加 Serilog 到服务配置
builder.Services.AddSerilog();
var app = builder.Build();
app.MapGet("/", () => "Hello World!");
app.Run();
}
catch (Exception ex)
{
Log.Fatal(ex, "Application terminated unexpectedly");
}
finally
{
Log.CloseAndFlush();
}
清理默认日志配置
为了确保所有日志消息都通过 Serilog 进行处理,你需要清理默认的日志配置。移除 appsettings.json 文件中的 "Logging" 部分,或者将其替换为 Serilog 的配置。
3. 应用案例和最佳实践
请求日志记录
Serilog.AspNetCore 提供了智能的 HTTP 请求日志记录功能。默认情况下,ASP.NET Core 的请求日志记录会产生多个事件,而 Serilog 的中间件可以将这些事件浓缩为一个包含请求方法、路径、状态码和时间信息的事件。
要启用此功能,请在 Program.cs 中添加以下代码:
var app = builder.Build();
app.UseSerilogRequestLogging();
// 其他应用配置
自定义日志模板
你可以通过配置 UseSerilogRequestLogging 的选项来修改请求完成事件的消息模板、添加额外属性或更改事件级别。例如:
app.UseSerilogRequestLogging(options =>
{
options.MessageTemplate = "Handled {RequestPath}";
options.GetLevel = (httpContext, elapsed, ex) => LogEventLevel.Debug;
options.EnrichDiagnosticContext = (diagnosticContext, httpContext) =>
{
diagnosticContext.Set("RequestHost", httpContext.Request.Host.Value);
diagnosticContext.Set("RequestScheme", httpContext.Request.Scheme);
};
});
4. 典型生态项目
Serilog
Serilog 是一个简单且功能强大的 .NET 日志库,支持结构化日志记录。它提供了多种接收器(sinks),可以将日志消息输出到控制台、文件、数据库等多种目标。
Serilog.Sinks.Console
Serilog.Sinks.Console 是一个 Serilog 的接收器,用于将日志消息输出到控制台。它支持丰富的格式化选项,适合开发和调试阶段使用。
Serilog.Sinks.File
Serilog.Sinks.File 是一个 Serilog 的接收器,用于将日志消息写入文件。它支持日志文件的滚动和压缩,适合生产环境使用。
通过这些生态项目,你可以构建一个完整的日志记录系统,满足不同环境下的需求。
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