使用structlog实现多格式日志输出:控制台与文件分离
在Python日志处理中,structlog是一个强大的结构化日志库,它提供了比标准logging模块更灵活的功能。本文将介绍如何使用structlog实现同时向不同输出目标(控制台和文件)输出不同格式日志的高级配置方案。
问题背景
在实际开发中,我们经常需要将日志同时输出到多个目的地,并且每个目的地可能需要不同的格式。例如:
- 控制台输出:需要人类可读的格式(如ConsoleRenderer或LogfmtRenderer)
- 文件输出:需要结构化格式(如JSONRenderer)便于后续日志分析
解决方案
structlog通过处理器链(processors chain)机制,可以灵活地实现这种需求。核心思路是在处理器链中插入自定义处理器,将日志事件同时输出到不同目标。
完整实现代码
import structlog
import sys
import logging
from pathlib import Path
# 配置标准logging模块的文件处理器
file_handler = logging.FileHandler(Path("file_handler.log"))
root_logger = logging.getLogger()
root_logger.addHandler(file_handler)
root_logger.setLevel(logging.NOTSET)
# 自定义控制台输出处理器
class ConsoleOutProcessor:
def __init__(self, stream):
self._formatter = structlog.dev.ConsoleRenderer()
self._writer = structlog.WriteLogger(stream)
def __call__(self, logger, method, event):
ev = event.copy()
self._writer.msg(self._formatter(logger, method, event))
return ev
# 配置structlog
structlog.configure(
processors=[
structlog.processors.add_log_level,
structlog.processors.TimeStamper(fmt="iso"),
structlog.dev.set_exc_info,
structlog.processors.StackInfoRenderer(),
ConsoleOutProcessor(sys.stdout), # 控制台输出
structlog.dev.ConsoleRenderer(), # 可选,用于调试
structlog.processors.JSONRenderer(), # 文件输出
],
logger_factory=structlog.stdlib.LoggerFactory(),
)
# 使用示例
logger = structlog.get_logger()
logger.info("Info message", a=1, b=2)
logger.error("Error message", a=1, b=2)
try:
1/0
except:
logger.exception("boom")
关键点解析
-
处理器顺序:structlog的处理器是按顺序执行的,因此控制台输出处理器(ConsoleOutProcessor)必须放在JSONRenderer之前。
-
ConsoleOutProcessor:这个自定义处理器实现了:
- 使用ConsoleRenderer格式化日志为人类可读格式
- 通过WriteLogger将格式化后的日志写入指定流(如sys.stdout)
- 返回原始事件字典,不影响后续处理器
-
JSONRenderer:作为最后一个处理器,它将日志事件转换为JSON字符串,然后通过标准logging模块写入文件。
-
异常处理:structlog.dev.set_exc_info处理器会自动捕获异常信息,与logger.exception()配合使用可以输出完整的堆栈跟踪。
进阶建议
-
性能考虑:在生产环境中,可以考虑使用structlog.processors.format_exc_info代替structlog.dev.set_exc_info,因为它性能更好。
-
日志级别过滤:可以在处理器链中添加structlog.stdlib.filter_by_level处理器来实现不同级别的日志过滤。
-
异步日志:对于高性能应用,可以考虑使用structlog的异步处理器来避免I/O阻塞。
-
多文件输出:通过扩展此方案,可以实现向多个文件输出不同格式的日志。
通过这种配置,开发者可以同时获得开发时的友好日志显示和生产环境中的结构化日志存储,兼顾了开发便利性和运维需求。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust059
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00