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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00