Spring Framework中HTTP请求/响应日志合并方案探讨
2025-04-30 07:40:11作者:廉皓灿Ida
在Spring Framework的日常使用中,日志记录是开发者监控和调试应用的重要工具。Spring框架本身提供了CommonsRequestLoggingFilter等组件来帮助开发者记录HTTP请求和响应信息,但默认情况下这些日志是分开记录的。
传统日志记录方式的问题
Spring框架现有的请求日志记录机制通常会将请求和响应信息分别记录在不同的日志条目中。这种分离式的日志记录方式虽然简单直接,但在某些场景下会带来不便:
- 请求和响应信息关联困难,特别是在高并发场景下
- 日志量增加,增加了存储和分析的负担
- 不利于快速定位完整的请求-响应生命周期
合并日志的技术实现
要实现请求和响应信息的合并记录,可以考虑以下技术方案:
自定义过滤器实现
通过继承OncePerRequestFilter并配合Spring提供的包装类,可以实现请求和响应信息的合并记录:
public class UnifiedLoggingFilter extends OncePerRequestFilter {
@Override
protected void doFilterInternal(HttpServletRequest request,
HttpServletResponse response,
FilterChain filterChain) throws ServletException, IOException {
ContentCachingRequestWrapper wrappedRequest = new ContentCachingRequestWrapper(request);
ContentCachingResponseWrapper wrappedResponse = new ContentCachingResponseWrapper(response);
try {
filterChain.doFilter(wrappedRequest, wrappedResponse);
} finally {
// 获取请求信息
String requestMethod = wrappedRequest.getMethod();
String requestURI = wrappedRequest.getRequestURI();
String queryString = wrappedRequest.getQueryString();
String requestBody = getContentAsString(wrappedRequest.getContentAsByteArray(),
wrappedRequest.getCharacterEncoding());
// 获取响应信息
int status = wrappedResponse.getStatus();
String responseBody = getContentAsString(wrappedResponse.getContentAsByteArray(),
wrappedResponse.getCharacterEncoding());
// 合并记录日志
logger.info(formatLogMessage(requestMethod, requestURI, queryString,
requestBody, status, responseBody));
// 确保响应内容被写入客户端
wrappedResponse.copyBodyToResponse();
}
}
private String formatLogMessage(String method, String uri, String query,
String reqBody, int status, String respBody) {
return String.format(">> INCOMING >> AFTER REQUEST\n" +
"Request: %s %s%s\n Body: %s\n" +
"Response: Status %d\n Body: %s",
method, uri, query != null ? "?" + query : "",
reqBody.isEmpty() ? "<empty body>" : reqBody,
status, respBody);
}
private String getContentAsString(byte[] buf, String charsetName) {
if (buf == null || buf.length == 0) return "";
try {
return new String(buf, charsetName != null ? charsetName : "UTF-8");
} catch (UnsupportedEncodingException ex) {
return "[unknown]";
}
}
}
实现要点说明
- 请求/响应包装:使用
ContentCachingRequestWrapper和ContentCachingResponseWrapper来缓存请求和响应内容 - 异常处理:确保在异常情况下也能记录日志并正确返回响应
- 字符编码处理:正确处理不同编码的请求和响应体
- 性能考虑:注意大请求体的内存消耗问题
性能与安全考量
实现合并日志记录时需要考虑以下因素:
- 内存使用:缓存大请求体或响应体可能导致内存压力
- 敏感信息:日志中可能包含敏感数据,需要适当过滤
- 性能开销:额外的包装和内容复制操作会增加少量处理时间
适用场景建议
合并日志记录特别适合以下场景:
- 开发调试阶段需要完整查看API交互
- 低流量生产环境的问题诊断
- 关键业务接口的监控审计
对于高流量生产环境,建议谨慎评估性能影响,或考虑采样记录部分请求。
总结
虽然Spring Framework核心没有直接提供请求响应合并日志的功能,但通过自定义过滤器可以相对容易地实现这一需求。开发者可以根据实际业务场景和性能要求,灵活调整实现细节,获得更好的可观测性体验。
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
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
411
3.16 K
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++
664
323
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
676
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
1.21 K
659
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
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
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
342
146