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 StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0113
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08