NLog项目中使用GetCurrentClassLogger()的日志输出问题解析
问题背景
在使用NLog日志框架时,开发人员可能会遇到一个常见问题:当从.NET 6升级到.NET 8后,使用LogManager.GetCurrentClassLogger()方法获取的日志记录器突然无法输出日志。而通过LogManager.GetLogger("特定名称")方式却能正常工作。
问题本质
这个问题的核心在于NLog的日志路由机制。GetCurrentClassLogger()方法会通过捕获堆栈跟踪来确定日志记录器的名称,这个名称通常包含类所在的完整命名空间路径。而在NLog配置文件中,<rules>部分定义了哪些日志记录器名称可以路由到哪些输出目标。
具体原因分析
-
命名空间匹配问题:当使用
GetCurrentClassLogger()时,生成的日志记录器名称包含完整命名空间路径,而配置文件中只配置了特定名称(如"logdb"、"logfile"等)的路由规则,导致大部分日志记录器找不到匹配的输出目标。 -
.NET版本差异:在.NET 8中,特别是使用最小API时,如果没有明确命名空间,生成的日志记录器名称可能会有所不同,这进一步加剧了路由匹配问题。
-
配置限制:原配置文件中的路由规则过于严格,只允许特定名称的日志记录器输出,而排除了其他所有日志记录器。
解决方案
-
放宽路由规则:将配置文件中的
<rules>部分修改为通配符形式,允许所有日志记录器输出:<logger name="*" writeTo="log_database,log_json,log_file" /> -
特定类别的路由:如果需要更精细的控制,可以结合通配符和特定名称:
<logger name="SomeNamespace.*" writeTo="log_database" /> <logger name="OtherNamespace.*" writeTo="log_file" /> <logger name="logdb" writeTo="log_database" /> -
日志级别过滤:可以添加日志级别限制,避免输出过多不必要的信息:
<logger name="*" minlevel="Info" writeTo="log_database" />
最佳实践建议
-
明确命名空间路由:为不同功能模块配置不同的日志路由,便于日志分类和管理。
-
利用日志级别:合理设置不同环境下的日志级别,生产环境可以使用较高的日志级别,开发环境可以使用更详细的级别。
-
定期审查日志配置:随着项目发展,定期审查和调整日志配置,确保其仍然符合当前需求。
-
使用内部日志调试:当遇到日志输出问题时,可以启用NLog的内部日志功能帮助诊断:
<nlog internalLogLevel="Debug" internalLogFile="nlog-internal.log">
总结
NLog的日志路由机制非常灵活但也需要正确配置。理解GetCurrentClassLogger()的工作原理和路由匹配规则,可以帮助开发人员更好地设计日志系统。在升级.NET版本或重构代码时,特别要注意命名空间变化对日志系统的影响,适时调整日志配置以确保日志能够正常输出。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00