Fluent Logger for Java 技术文档
1. 安装指南
1.1 使用一键式 JAR 包安装
您可以从以下地址下载 Fluent Logger for Java 的一键式 JAR 包:
wget http://central.maven.org/maven2/org/fluentd/fluent-logger/${logger.version}/fluent-logger-${logger.version}-jar-with-dependencies.jar
将下载的 JAR 包添加到您的类路径中,即可使用 Fluent Logger for Java。
1.2 从 Maven2 仓库安装
Fluent Logger for Java 已发布到 Maven2 仓库。您可以在 pom.xml 或 build.gradle 文件中添加以下依赖:
Maven:
<dependencies>
...
<dependency>
<groupId>org.fluentd</groupId>
<artifactId>fluent-logger</artifactId>
<version>${logger.version}</version>
</dependency>
...
</dependencies>
Gradle:
dependencies {
compile 'org.fluentd:fluent-logger:'+loggerVersion
}
1.3 从 GitHub 仓库安装
您可以使用 git 命令获取最新的源代码:
git clone git@github.com:fluent/fluent-logger-java.git
cd fluent-logger-java
mvn assembly:assembly
在 fluent-logger-java/target 目录中,您将得到名为 fluent-logger-${logger.version}-jar-with-dependencies.jar 的 JAR 包。更多详细信息,请查看 pom.xml。
将 ${logger.version} 或 loggerVersion 替换为 Fluent Logger for Java 的当前版本。
2. 项目使用说明
以下是一个使用 Fluent Logger for Java 的简单示例:
import java.util.HashMap;
import java.util.Map;
import org.fluentd.logger.FluentLogger;
public class Main {
private static FluentLogger LOG = FluentLogger.getLogger("app");
public void doApplicationLogic() {
// ...
Map<String, Object> data = new HashMap<String, Object>();
data.put("from", "userA");
data.put("to", "userB");
LOG.log("follow", data);
// ...
}
}
要创建 Fluent Logger 实例,用户需要像 org.slf4j、org.log4j 日志库那样调用 getLogger 方法。此方法只需调用一次。默认情况下,日志记录器假设本地已启动 fluentd 守护进程。您也可以通过传递以下选项来指定远程日志记录器:
// 远程 fluentd
private static FluentLogger LOG = FluentLogger.getLogger("app", "remotehost", port);
然后,按照如下方式创建事件。这将向 fluentd 发送一个带有标签 app.follow 和属性 from 及 to 的事件。
当应用程序结束时,应显式调用 FluentLogger 类的 close 方法。该方法会关闭与 fluentd 的套接字连接。
FluentLogger.close();
3. 项目 API 使用文档
由于项目是基于 Java 编写,具体 API 使用请参考以下示例:
getLogger(String tag): 获取一个指定标签的日志记录器。getLogger(String tag, String host, int port): 获取一个指定标签和远程地址的日志记录器。log(String tag, Map<String, Object> data): 将事件记录到指定标签。close(): 关闭日志记录器。
4. 项目安装方式
请参考上文“安装指南”部分,您可以选择使用一键式 JAR 包安装、从 Maven2 仓库安装或从 GitHub 仓库安装。根据您的项目需求选择合适的安装方式。
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