Kotlin-logging项目中JSON日志输出字段问题的解决方案
2025-06-28 19:09:05作者:曹令琨Iris
背景介绍
在Kotlin-logging这个流行的日志库使用过程中,开发者发现了一个关于JSON日志输出的重要问题。当从传统的StructuredArguments方式迁移到新的API时,额外字段在JSON输出中无法正常显示。这个问题影响了需要结构化日志输出的应用场景。
问题分析
在7.0.0版本之前,开发者可以使用如下方式添加额外字段:
log.error("Cake", StructuredArguments.keyValue("caketype", "chocolate"))
这种方式在JSON配置下能正确输出包含额外字段的日志。但随着API更新,这种方法被标记为废弃,推荐使用新的atError等流畅API:
log.atError {
message = "Cake"
payload = buildMap { put("caketype", "chocolate") }
}
然而,新方法在JSON输出中却无法保留额外字段,这显然不符合预期行为。经过深入分析,发现问题根源在于:
- 旧方法通过
argumentArray传递额外参数 - 新方法使用
keyValuePairs机制 - Logback的JSON编码器默认只处理
argumentArray中的结构化参数
技术实现细节
在底层实现上,Slf4j 2.x引入了全新的流畅API,改变了参数传递机制。Kotlin-logging 7.0.0基于这个新API重构,但参数处理方式发生了变化:
- 传统方式:参数通过
Object[]数组传递 - 流畅API:参数通过键值对形式传递
- Logback编码器:默认配置只识别数组形式的参数
解决方案
经过社区讨论和代码验证,最终在7.0.3版本中引入了新的arguments属性,允许开发者明确指定要作为日志事件参数的额外字段:
log.atError {
message = "Cake"
arguments = listOf(StructuredArguments.keyValue("caketype", "chocolate"))
}
这种实现方式既保持了API的流畅性,又确保了与现有JSON配置的兼容性。底层实现上,它调用了Slf4j流畅API的addArgument方法,将参数放入正确的位置供编码器处理。
最佳实践建议
对于需要结构化日志输出的项目,建议:
- 升级到7.0.3或更高版本
- 使用新的
arguments属性传递需要出现在JSON中的字段 - 保留
payload用于非结构化日志的额外信息 - 检查Logback配置确保包含
arguments提供器
总结
Kotlin-logging通过这次改进,既保持了现代化API的设计,又解决了与现有日志基础设施的兼容性问题。这体现了开源项目在平衡创新和稳定性方面的考量,也为开发者提供了更灵活的日志记录方式。
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
最新内容推荐
JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 开源电子设计自动化利器:KiCad EDA全方位使用指南 VSdebugChkMatch.exe:专业PDB签名匹配工具全面解析与使用指南 电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 Adobe Acrobat XI Pro PDF拼版插件:提升排版效率的专业利器 32位ECC纠错Verilog代码:提升FPGA系统可靠性的关键技术方案 MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 瀚高迁移工具migration-4.1.4:企业级数据库迁移的智能解决方案 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案
项目优选
收起
deepin linux kernel
C
24
9
暂无简介
Dart
669
155
Ascend Extension for PyTorch
Python
219
236
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++
660
307
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
React Native鸿蒙化仓库
JavaScript
259
322
🔥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
🎉 (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
1.19 K
652
仓颉编程语言运行时与标准库。
Cangjie
141
878
仓颉编译器源码及 cjdb 调试工具。
C++
134
867