如何在Pydantic Logfire中禁用重复日志和Span堆栈详情
在Python项目中使用Pydantic Logfire进行日志记录和监控时,开发者可能会遇到两个常见问题:日志重复输出和Span堆栈详情显示。本文将详细介绍如何优雅地解决这些问题。
问题现象分析
当开发者同时使用Python标准日志系统和Logfire时,可能会观察到以下现象:
-
日志重复问题:每条日志会被记录两次,一次是标准格式的日志,另一次是简化版的重复日志。例如:
标准格式日志:2025-01-18 21:22:16,772 INFO [aiogram.dispatcher] (dispatcher.py:start_polling:527) Start polling 简化重复日志:19:22:16.772 Start polling -
Span堆栈详情问题:Logfire会自动记录函数调用堆栈的详细信息,这些信息会以缩进形式显示在控制台,例如:
19:23:36.939 Calling src.bot.middleware.database_transaction 19:23:36.939 Calling src.bot.middleware.skip_service_messages
解决方案
经过深入分析,我们发现这些问题都可以通过简单的配置解决,无需使用临时性的代码修改方案。
禁用控制台日志输出
要完全禁用Logfire在控制台的日志输出(包括重复日志和Span堆栈详情),只需在项目的pyproject.toml配置文件中添加以下设置:
[tool.logfire]
console = false
这一配置会关闭Logfire的所有控制台输出,同时保留其他功能(如日志收集和监控)的正常工作。
配置注意事项
-
环境区分:建议根据环境(开发/生产)使用不同的配置。开发环境可能需要查看详细日志,而生产环境可能只需要收集日志而不需要控制台输出。
-
日志级别控制:除了关闭控制台输出外,还可以通过
level参数控制日志记录的级别,例如:[tool.logfire] level = "WARNING" -
服务名称和环境设置:虽然与问题无直接关系,但良好的实践是明确设置服务名称和环境:
logfire.configure( service_name='your_service', environment='production', )
替代方案比较
有些开发者可能会尝试通过代码临时修改配置,如:
logfire.DEFAULT_LOGFIRE_INSTANCE._console_log = False
但这种方案有几个缺点:
- 直接访问内部属性(
_console_log)不符合Python的最佳实践 - 可能在Logfire版本更新时失效
- 不够直观,难以维护
相比之下,使用配置文件的方式更加规范、可靠且易于维护。
最佳实践建议
-
明确日志策略:在项目初期就规划好日志记录策略,明确哪些信息需要记录、以什么格式记录、在哪里记录。
-
环境适配配置:使用不同的配置文件或环境变量来适应不同环境的日志需求。
-
监控与日志分离:考虑将监控数据(如Span信息)和业务日志分开处理,使用不同的传输通道。
-
定期审查日志配置:随着项目发展,定期审查日志配置是否仍然满足需求。
通过以上方法,开发者可以优雅地控制Logfire的日志输出行为,保持日志系统的整洁和高效。
kernelopenEuler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。C030
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