Loguru项目中自定义异常无法序列化的解决方案
2025-05-10 09:43:55作者:龚格成
问题背景
在使用Python日志库Loguru时,开发者可能会遇到自定义异常无法被序列化的问题。具体表现为当尝试记录包含自定义异常的日志时,系统抛出_pickle.PicklingError错误,提示无法pickle自定义异常类。
错误现象
典型的错误信息如下:
_pickle.PicklingError: Can't pickle <class 'app_core.utils.exceptions.ReqNetError'>: attribute lookup ReqNetError on app_core.utils.exceptions failed
这种错误通常发生在以下场景:
- 使用Loguru的异步日志记录功能(设置
enqueue=True) - 尝试记录包含自定义异常的日志
- 自定义异常类定义存在问题
问题根源
该问题的根本原因在于Python的pickle机制无法正确序列化自定义异常类。在Loguru的异步日志记录中,日志消息需要通过pickle序列化后在进程间传递。当自定义异常类不符合pickle的要求时,就会导致序列化失败。
常见的原因包括:
- 异常类定义在动态生成的代码中
- 异常类没有正确的
__module__属性 - 异常类定义在
__init__.py文件中 - 异常类使用了动态生成的方式(如使用
type()或工厂函数创建)
解决方案
方案一:确保异常类可序列化
自定义异常类需要满足以下条件才能被正确序列化:
- 定义在模块的顶层,而不是函数内部
- 具有正确的
__module__属性 - 避免使用动态生成的方式创建异常类
对于使用工厂函数生成的异常类,可以修改为传统定义方式:
class ReqNetError(APIException):
code = 1014
msg = "网络请求错误"
def __init__(self, msg=None, task_guid=None):
self.msg = msg or self.msg
super().__init__(self.msg)
方案二:升级Loguru版本
Loguru 0.7.2版本已经对这类问题做了优化处理。确保你使用的是最新版本:
pip install -U loguru
方案三:正确使用日志记录方法
避免直接将异常对象作为参数传递给日志方法:
# 错误用法 - 会导致序列化问题
try:
raise ReqNetError("Message")
except Exception as err:
logger.error("An error occurred: {}", err) # err会被pickle
# 正确用法
try:
raise ReqNetError("Message")
except Exception:
logger.exception("An error occurred") # 自动记录异常信息
最佳实践
-
定义规范的异常类:确保异常类定义在模块顶层,使用传统类定义方式而非动态生成。
-
测试异常可序列化:在定义异常类后,进行简单的序列化测试:
import pickle pickle.loads(pickle.dumps(ReqNetError("Test"))) -
合理使用日志记录:
- 使用
logger.exception()记录异常 - 避免将异常对象作为参数传递
- 对于需要记录的自定义信息,可以转换为字符串
- 使用
-
保持Loguru更新:定期更新到最新版本以获取更好的兼容性和功能。
总结
Loguru作为Python中强大的日志库,在异步记录时依赖pickle序列化机制。当遇到自定义异常无法序列化的问题时,开发者应从异常类定义和日志记录方式两方面入手解决。通过规范异常类定义、正确使用日志API以及保持库版本更新,可以有效避免这类问题的发生。
记住,良好的异常设计和日志实践不仅能解决技术问题,还能提高代码的可维护性和可读性。在项目初期就建立规范的异常处理机制,将为后续开发打下坚实基础。
登录后查看全文
热门项目推荐
相关项目推荐
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 StartedRust0153- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
LongCat-Video-Avatar-1.5最新开源LongCat-Video-Avatar 1.5 版本,这是一款经过升级的开源框架,专注于音频驱动人物视频生成的极致实证优化与生产级就绪能力。该版本在 LongCat-Video 基础模型之上构建,可生成高度稳定的商用级虚拟人视频,支持音频-文本转视频(AT2V)、音频-文本-图像转视频(ATI2V)以及视频续播等原生任务,并能无缝兼容单流与多流音频输入。00
auto-devAutoDev 是一个 AI 驱动的辅助编程插件。AutoDev 支持一键生成测试、代码、提交信息等,还能够与您的需求管理系统(例如Jira、Trello、Github Issue 等)直接对接。 在IDE 中,您只需简单点击,AutoDev 会根据您的需求自动为您生成代码。Kotlin03
Intern-S2-PreviewIntern-S2-Preview,这是一款高效的350亿参数科学多模态基础模型。除了常规的参数与数据规模扩展外,Intern-S2-Preview探索了任务扩展:通过提升科学任务的难度、多样性与覆盖范围,进一步释放模型能力。Python00
skillhubopenJiuwen 生态的 Skill 托管与分发开源方案,支持自建与可选 ClawHub 兼容。Python0112
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
733
4.75 K
Ascend Extension for PyTorch
Python
649
796
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
434
395
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++
1.01 K
1.01 K
Claude 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 Started
Rust
1.24 K
153
deepin linux kernel
C
30
16
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
146
237
暂无简介
Dart
985
253
昇腾LLM分布式训练框架
Python
167
200
🎉 (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
1.68 K
990