在Pino日志库中实现精确文件名与行号记录
2025-05-14 07:29:53作者:范垣楠Rhoda
概述
Pino作为Node.js生态中高性能的日志记录库,其默认输出并不包含日志调用位置的文件名和行号信息。本文将详细介绍如何在Pino中配置以显示精确的日志调用位置,这对于调试和问题追踪至关重要。
问题背景
开发者在配置Pino时遇到一个常见需求:希望日志输出能显示日志语句所在的精确文件名和行号,而不仅仅是日志工具本身的文件位置。默认情况下,Pino的日志输出会固定显示日志工具模块的文件路径(如示例中的src/logging.ts),这在实际调试中帮助有限。
解决方案
使用pino-caller插件
Pino社区提供了一个官方插件pino-caller,专门用于解决这个问题。该插件会修改Pino的日志输出,自动添加调用位置的文件名和行号。
安装方法:
npm install pino-caller
配置示例:
const pino = require('pino');
const pinoCaller = require('pino-caller');
const log = pinoCaller(pino({
level: 'info',
transport: {
target: 'pino-pretty',
options: {
colorize: true
}
}
}));
自定义实现方案
如果不使用插件,也可以通过修改Pino配置手动实现类似功能:
const path = require('path');
const pino = require('pino');
function getCallerInfo() {
const stack = new Error().stack.split('\n');
// 通常第三行是调用者的信息
const callerLine = stack[3] || '';
const match = callerLine.match(/\((.+):(\d+):(\d+)\)/);
if (match) {
return {
file: path.basename(match[1]),
line: match[2],
column: match[3]
};
}
return { file: 'unknown', line: '0', column: '0' };
}
const log = pino({
level: 'info',
mixin() {
const { file, line } = getCallerInfo();
return { file, line };
},
transport: {
target: 'pino-pretty',
options: {
messageFormat: '{file}:{line} - {msg}'
}
}
});
性能考虑
需要注意的是,获取调用栈信息是一个相对昂贵的操作,可能会影响应用程序的性能,特别是在高频日志记录的场景下。因此建议:
- 在生产环境中仅对ERROR及以上级别的日志启用调用位置记录
- 在开发/测试环境可以全面启用以便调试
- 考虑使用
pino-caller等优化过的解决方案而非手动实现
最佳实践
- 环境区分:根据NODE_ENV不同采用不同配置
- 日志级别控制:高频率的DEBUG日志可以不记录位置信息
- 格式统一:保持整个项目的日志格式一致性
- 性能监控:启用后观察应用性能变化
总结
在Pino中实现精确的日志位置记录对于调试复杂应用非常有价值。通过使用官方插件或自定义实现,开发者可以灵活地控制日志输出的详细程度。但需要注意性能影响,根据实际场景权衡功能与开销。
登录后查看全文
热门项目推荐
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
413
3.18 K
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
Ascend Extension for PyTorch
Python
228
258
暂无简介
Dart
679
160
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++
689
325
🔥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
65
19
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
660
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