NLog中动态修改请求日志属性的最佳实践
2025-06-03 15:31:23作者:昌雅子Ethen
背景介绍
在.NET 6.0应用程序中使用NLog进行日志记录时,开发人员经常需要记录HTTP请求的相关信息,如请求路径、请求详情等。这些信息通常通过NLog的ASP.NET Core布局渲染器(如${aspnet-request-ip}、${aspnet-request-method}等)直接获取并记录到日志中。
问题场景
在实际开发中,我们可能会遇到这样的需求:在业务逻辑处理过程中,需要先获取原始的请求信息,经过处理后(如添加额外信息或修改某些值),再将处理后的结果记录到日志中。特别是在以下场景:
- 需要对敏感信息进行脱敏处理
- 需要添加业务相关的上下文信息
- 需要统一格式化请求路径
- 在微服务架构中需要传递请求上下文
解决方案对比
1. 使用NLog配置变量(不推荐)
最初可能会想到使用NLog的配置变量(Variables)来实现:
LogManager.Configuration.Variables["user"] = "admin";
然后在NLog配置中使用${var:user}引用这个变量。
缺点:
- 变量是全局的,在多线程/多请求环境下会出现数据污染
- 不适合在Azure AKS等多实例部署环境中使用
- 缺乏请求级别的隔离性
2. 使用ScopeContext(推荐方案)
NLog提供了ScopeContext机制,可以为特定的代码块提供上下文属性:
using (NLog.ScopeContext.PushProperty("RequestPath", "My Request"))
{
Logger.Info("Hello World");
}
在NLog配置中可以通过${scopeProperty:RequestPath}引用这个属性。
优势:
- 属性作用域限定在using块内
- 线程安全,适合并发环境
- 可以与默认值结合使用,如:
${scopeProperty:RequestPath:whenEmpty=${aspnet-request-url}}
3. 使用结构化日志记录
另一种简洁的方式是直接使用结构化日志记录:
Logger.Info("Hello from {RequestDetail}", "My Detail");
这种方式直接在日志语句中注入属性,简单直接。
实现建议
对于需要在类库中修改请求信息再记录的场景,推荐采用以下模式:
- 在中间件或控制器中捕获原始请求信息
- 在业务逻辑层进行处理和修改
- 使用ScopeContext将处理后的信息推入日志上下文
- 配置NLog优先使用ScopeContext中的属性,不存在时回退到原始请求信息
示例代码:
// 业务逻辑处理
public void ProcessRequest(HttpContext context)
{
var originalPath = context.Request.Path;
var processedPath = ModifyPath(originalPath); // 自定义处理逻辑
using (NLog.ScopeContext.PushProperty("ProcessedRequestPath", processedPath))
{
_logger.Info("请求已处理");
}
}
对应的NLog配置:
<attribute name="RequestPath"
layout="${scopeProperty:ProcessedRequestPath:whenEmpty=${aspnet-request-path}}" />
注意事项
- 确保在NLog配置中启用了
includeMdlc="true"以支持异步上下文传播 - 对于复杂的对象,考虑实现自定义的布局渲染器
- 在生产环境中启用NLog内部日志以排查配置问题
- 避免在ScopeContext中存储大对象,以免影响性能
通过这种方式,可以安全、灵活地在分布式环境中记录经过处理的请求信息,同时保持代码的清晰和可维护性。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
最新内容推荐
SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 32位ECC纠错Verilog代码:提升FPGA系统可靠性的关键技术方案 ZLIB 1.3 静态库 Windows x64 版本:高效数据压缩解决方案完全指南 2023年最新HTMLCSSJS组件库:提升前端开发效率的必备资源 Qt控件CSS样式实例大全 - 打造现代化GUI界面的终极指南 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 STDF-View解析查看软件:半导体测试数据分析的终极工具指南 PADS元器件位号居中脚本:提升PCB设计效率的自动化利器 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
306
2.69 K
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
136
163
React Native鸿蒙化仓库
JavaScript
233
309
暂无简介
Dart
596
130
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++
630
227
仓颉编译器源码及 cjdb 调试工具。
C++
123
656
🎉 (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
1.06 K
614
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
195
71
仓颉编程语言测试用例。
Cangjie
36
657