DoctrineExtensions项目Loggable扩展自定义日志实体实现指南
2025-06-16 09:48:49作者:舒璇辛Bertina
概述
DoctrineExtensions项目中的Loggable扩展为开发者提供了便捷的实体变更追踪功能。在实际应用中,我们经常需要扩展默认的日志记录功能,比如添加自定义字段或修改日志存储方式。本文将详细介绍如何通过继承和配置实现自定义日志实体。
核心实现原理
Loggable扩展的核心在于其监听器机制,它会捕获实体的变更事件并生成相应的日志记录。默认情况下,系统使用内置的LogEntry实体来存储变更信息。当我们需要自定义日志实体时,必须通过继承基础监听器类来覆盖默认行为。
实现步骤详解
1. 创建自定义日志实体
首先需要创建一个符合Loggable扩展要求的自定义日志实体类。这个实体类必须包含以下基本字段:
- 操作类型(create/update/remove)
- 记录ID
- 对象类名
- 变更版本号
- 变更数据
- 操作时间
此外,可以根据业务需求添加额外的字段,如操作者ID、IP地址等业务相关信息。
2. 扩展基础监听器
关键步骤是创建自定义的Loggable监听器类,继承自基础监听器:
class CustomLoggableListener extends \Gedmo\Loggable\LoggableListener
{
protected function getLogEntryClass(LoggableAdapter $ea, $class)
{
// 返回自定义日志实体类名
return CustomLogEntry::class;
}
protected function prePersistLogEntry($logEntry, $object)
{
// 可在此处设置自定义日志实体的额外字段
if ($logEntry instanceof CustomLogEntry) {
$logEntry->setOperator($this->getCurrentUser());
$logEntry->setIpAddress($_SERVER['REMOTE_ADDR']);
}
}
}
3. 配置框架集成
在使用StofDoctrineExtensionsBundle的情况下,需要进行以下配置:
stof_doctrine_extensions:
orm:
default:
loggable: true
class:
loggable: 'App\EventListener\CustomLoggableListener'
services:
stof_doctrine_extensions.listener.loggable: '@App\EventListener\CustomLoggableListener'
这个配置完成了两个关键操作:
- 指定使用自定义的监听器类
- 通过服务别名确保监听器不会被重复注册
常见问题解决方案
重复日志记录问题
开发者可能会遇到变更被记录两次的情况,这通常是由于监听器被多次注册导致的。通过上述服务配置中的别名机制可以避免这个问题。
自定义字段持久化
在prePersistLogEntry方法中,可以安全地将业务数据注入到自定义日志实体中。这个方法会在日志实体被持久化前调用,是设置额外字段的理想位置。
最佳实践建议
- 保持日志实体的简洁性,只记录必要的信息
- 考虑为日志表添加适当的数据库索引以提高查询性能
- 对于高频变更的实体,可以考虑异步记录日志以提升系统性能
- 定期归档历史日志数据,避免主表过大影响查询效率
通过以上步骤和注意事项,开发者可以灵活地扩展Loggable功能,满足各种业务场景下的审计日志需求。
登录后查看全文
热门项目推荐
相关项目推荐
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
223
246
暂无简介
Dart
672
157
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++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
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
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥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
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137