Loguru项目中自定义异常无法序列化的解决方案
2025-05-10 00:32:16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
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
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
304
2.66 K
Ascend Extension for PyTorch
Python
131
159
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
458
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++
630
221
React Native鸿蒙化仓库
JavaScript
230
307
暂无简介
Dart
593
129
🎉 (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
1.06 K
612
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,专门为Transformer模型的训练和推理而设计。
C++
48
77
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
360
2.48 K
openGauss kernel ~ openGauss is an open source relational database management system
C++
155
206