Serilog扩展:如何通过日志构建器添加内存日志记录功能
2025-05-29 14:39:11作者:房伟宁
在软件开发过程中,日志记录是必不可少的调试和监控手段。Serilog作为.NET生态中广受欢迎的日志记录库,提供了灵活的扩展机制。本文将详细介绍如何扩展Serilog的日志构建器,实现将日志同时输出到控制台、文件以及内存队列的功能。
背景与需求分析
在实际应用场景中,我们经常需要:
- 将日志持久化到文件供后续分析
- 实时查看控制台输出
- 通过API接口获取当前日志内容
然而,当使用Serilog的File Sink时,日志文件会被锁定,无法直接读取。这时就需要引入内存日志记录作为补充方案。
核心实现方案
1. 创建内存日志接收器(InMemorySink)
首先需要实现一个自定义的日志接收器,将日志事件存入内存队列:
class InMemorySink : ILogEventSink
{
readonly ITextFormatter _textFormatter =
new MessageTemplateTextFormatter("{Timestamp} [{Level}] {Message}{Exception}");
public ConcurrentQueue<string> Events { get; } = new ConcurrentQueue<string>();
public void Emit(LogEvent logEvent)
{
if (logEvent == null) throw new ArgumentNullException(nameof(logEvent));
var renderSpace = new StringWriter();
_textFormatter.Format(logEvent, renderSpace);
Events.Enqueue(renderSpace.ToString());
}
}
这个实现有以下特点:
- 使用线程安全的ConcurrentQueue存储日志条目
- 通过MessageTemplateTextFormatter格式化日志输出
- 实现了ILogEventSink接口的Emit方法
2. 配置完整的Serilog日志管道
建议使用完整的Serilog配置方式,而非仅通过LoggerFactory:
var log = new LoggerConfiguration()
.WriteTo.Console()
.WriteTo.File("logs/Scanner-.log", rollingInterval: RollingInterval.Day)
.WriteTo.Sink(new InMemorySink())
.CreateLogger();
3. 与Microsoft.Extensions.Logging集成
如果需要与ASP.NET Core等框架集成,可以通过以下方式:
services.AddLogging(loggingBuilder =>
{
loggingBuilder.AddSerilog(log);
});
高级应用场景
实时日志监控API
基于内存队列,可以轻松实现日志监控API:
[HttpGet("logs")]
public IActionResult GetLogs()
{
return Ok(inMemorySink.Events.ToList());
}
性能优化建议
- 考虑设置队列最大长度,防止内存溢出
- 对于高频日志场景,建议使用更高效的数据结构
- 可以添加日志级别过滤,只存储关键日志
总结
通过自定义Serilog Sink实现内存日志记录,我们解决了以下问题:
- 实时访问被文件锁定的日志内容
- 为系统提供了额外的日志获取通道
- 保持了原有日志记录功能不变
这种方案特别适合需要实时监控日志的Web应用和微服务场景。开发者可以根据实际需求,进一步扩展内存日志的功能,如添加日志过滤、分页查询等特性。
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
411
3.16 K
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++
664
323
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
676
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
1.21 K
659
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
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
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
342
146