MagicOnion中如何记录StreamingHub方法的输入参数和返回值
2025-06-16 09:09:20作者:翟萌耘Ralph
在MagicOnion框架中,StreamingHub是构建实时通信应用的核心组件。开发者经常需要记录方法的输入参数和返回值,用于调试、监控或审计目的。本文将详细介绍如何在MagicOnion的StreamingHub中实现这一功能。
日志记录的基本方法
MagicOnion的StreamingHub继承自StreamingHubBase类,我们可以通过依赖注入获取ILogger实例来实现日志记录功能:
public class GamingHub : StreamingHubBase<IGamingHub, IGamingHubReceiver>, IGamingHub
{
private readonly ILogger<GamingHub> _logger;
public GamingHub(ILogger<GamingHub> logger)
{
_logger = logger;
}
public async ValueTask<Player[]> JoinAsync(string roomName, string userName, Vector3 position, Quaternion rotation)
{
_logger.LogInformation("JoinAsync called with roomName={RoomName}, userName={UserName}, position={Position}, rotation={Rotation}",
roomName, userName, position, rotation);
// 业务逻辑
return players;
}
}
使用过滤器实现统一日志记录
为了更系统化地记录所有方法的输入输出,可以使用MagicOnion的过滤器机制:
public class LoggingStreamingHubFilter : StreamingHubFilterAttribute
{
public override async ValueTask Invoke(StreamingHubContext context, Func<StreamingHubContext, ValueTask> next)
{
var logger = context.ServiceProvider.GetRequiredService<ILogger<LoggingStreamingHubFilter>>();
// 记录方法调用和参数
logger.LogInformation("调用方法 {MethodName} 参数: {Parameters}",
context.MethodInfo.Name,
JsonSerializer.Serialize(context.Arguments));
await next(context);
// 记录返回值
if(context.HasResult)
{
logger.LogInformation("方法 {MethodName} 返回: {Result}",
context.MethodInfo.Name,
JsonSerializer.Serialize(context.Result));
}
}
}
然后在Hub类上应用这个过滤器:
[LoggingStreamingHubFilter]
public class GamingHub : StreamingHubBase<IGamingHub, IGamingHubReceiver>, IGamingHub
{
// Hub实现
}
处理复杂类型和性能考虑
当记录复杂类型如Vector3和Quaternion时,需要注意:
- 考虑实现自定义的序列化逻辑,避免记录不必要的信息
- 敏感信息应该进行脱敏处理
- 在高频调用的方法中,考虑使用条件日志记录或采样记录
_logger.LogDebug("详细位置信息 - X:{X}, Y:{Y}, Z:{Z}", position.x, position.y, position.z);
最佳实践建议
- 区分日志级别:使用Debug级别记录详细参数,Info级别记录关键方法调用
- 结构化日志:使用命名占位符而非字符串拼接,便于日志系统解析
- 异步方法:确保日志记录不会阻塞主流程
- 性能监控:可以结合日志记录实现简单的性能监控
通过以上方法,开发者可以全面掌握MagicOnion StreamingHub的运行情况,快速定位问题,同时为系统监控提供有价值的数据。
登录后查看全文
热门项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0153- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
LongCat-Video-Avatar-1.5最新开源LongCat-Video-Avatar 1.5 版本,这是一款经过升级的开源框架,专注于音频驱动人物视频生成的极致实证优化与生产级就绪能力。该版本在 LongCat-Video 基础模型之上构建,可生成高度稳定的商用级虚拟人视频,支持音频-文本转视频(AT2V)、音频-文本-图像转视频(ATI2V)以及视频续播等原生任务,并能无缝兼容单流与多流音频输入。00
auto-devAutoDev 是一个 AI 驱动的辅助编程插件。AutoDev 支持一键生成测试、代码、提交信息等,还能够与您的需求管理系统(例如Jira、Trello、Github Issue 等)直接对接。 在IDE 中,您只需简单点击,AutoDev 会根据您的需求自动为您生成代码。Kotlin03
Intern-S2-PreviewIntern-S2-Preview,这是一款高效的350亿参数科学多模态基础模型。除了常规的参数与数据规模扩展外,Intern-S2-Preview探索了任务扩展:通过提升科学任务的难度、多样性与覆盖范围,进一步释放模型能力。Python00
skillhubopenJiuwen 生态的 Skill 托管与分发开源方案,支持自建与可选 ClawHub 兼容。Python0112
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
733
4.75 K
Ascend Extension for PyTorch
Python
649
796
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
434
395
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++
1.01 K
1.01 K
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
1.25 K
153
deepin linux kernel
C
30
16
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
146
237
暂无简介
Dart
986
253
昇腾LLM分布式训练框架
Python
167
200
🎉 (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
1.68 K
990