


Pratique pratique avec le module Python Logging : créer un système de journalisation complet
Logging, loggingenregistrement, débogage, application, développement
Création et utilisation de Logger
Le cœur du module Logging est la classe Logger. Pour commencer, vous devez créer une instance Logger :
importurs logger=ursing.er()
Vous pouvez utiliser l'attribut .name pour spécifier le Logger de votre journal :
logger=ursing.er("my_application")
Niveau de journal : définir la gravité
Vous pouvez spécifier la gravité des entrées de journal en définissant l'attribut level sur l'un des niveaux intégrés. Les niveaux vont de DEBUG (le moins grave) à FATAL (le plus grave) comme suit :
level=ursing.L.DEBUG# 调试级别 level=ursing.L.INFO# 信息级别 level=ursing.L.WARNING# 告警级别
Processeur : formater et propager les journaux
Un processeur est un composant qui récupère les journaux d'un enregistreur et les envoie vers une destination spécifique. Le processeur intégré offre une approche prête à l'emploi :
# 将日志信息发送到标准输出(终端) handler=ursing.mhandler()
Vous pouvez utiliser l'attribut .fORMatter pour personnaliser le format de vos journaux :
handler.er=ursing.er(ursing.F("%(levelname)s:%(message)s"))
Filtre : capturez uniquement les journaux qui vous intéressent
Les filtres vous permettent de capturer uniquement les journaux qui répondent à des critères spécifiques. Utilisez la classe Filtre :
filter=ursing.r() filter.re=rs.ur("ERROR")# 仅匹配“ERROR”级别的日志
Mettez tout cela ensemble
Attachez des processeurs et des filtres à Logger pour créer un pipeline de journalisation complet :
logger.addhandler(handler, filter)
Exemple pratique : un enregistreur complet
Considérons une application exécutée dans le fichier "example.py". Comme indiqué ci-dessous, nous utilisons le module Logging pour créer un enregistreur complet :
importurs logger=ursing.er("my_example_app") # 根级别为“INFO” logger.level=ursing.L.INFO # 创建一个到文件“app.log”的处理器 file_handler=ursing.FH("app.log",mode="a") file_handler.er=ursing.er(ursing.F("%(asctime)s -%(levelname)s:%(message)s")) # 创建一个到终端的处理器 console_handler=ursing.mhandler() console_handler.er=ursing.er(ursing.F("%(message)s")) # 将处理器附加到日志 logger.addhandler(file_handler) logger.addhandler(console_handler)
Dans une application, vous pouvez utiliser la méthode .log() pour écrire des informations dans le journal à un niveau spécifié :
logger.info("开始应用程序") logger.error("应用程序遇到一个严重问题")
Conclusion
Le module Logging vous offre un contrôle complet et flexible sur la journalisation des applications. Combinez cela avec les niveaux, processeurs et filtres appropriés, et vous pouvez créer une base de journalisation robuste et perspicace pour vous aider à isoler les problèmes, à suivre le comportement des applications et à optimiserles performances.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds

Ce tutoriel montre comment utiliser Python pour traiter le concept statistique de la loi de Zipf et démontre l'efficacité de la lecture et du tri de Python de gros fichiers texte lors du traitement de la loi. Vous vous demandez peut-être ce que signifie le terme distribution ZIPF. Pour comprendre ce terme, nous devons d'abord définir la loi de Zipf. Ne vous inquiétez pas, je vais essayer de simplifier les instructions. La loi de Zipf La loi de Zipf signifie simplement: dans un grand corpus en langage naturel, les mots les plus fréquents apparaissent environ deux fois plus fréquemment que les deuxième mots fréquents, trois fois comme les troisième mots fréquents, quatre fois comme quatrième mots fréquents, etc. Regardons un exemple. Si vous regardez le corpus brun en anglais américain, vous remarquerez que le mot le plus fréquent est "th

Cet article explique comment utiliser la belle soupe, une bibliothèque Python, pour analyser HTML. Il détaille des méthodes courantes comme find (), find_all (), select () et get_text () pour l'extraction des données, la gestion de diverses structures et erreurs HTML et alternatives (Sel

Traiter avec des images bruyantes est un problème courant, en particulier avec des photos de téléphones portables ou de caméras basse résolution. Ce tutoriel explore les techniques de filtrage d'images dans Python à l'aide d'OpenCV pour résoudre ce problème. Filtrage d'image: un outil puissant Filtre d'image

Python, un favori pour la science et le traitement des données, propose un écosystème riche pour l'informatique haute performance. Cependant, la programmation parallèle dans Python présente des défis uniques. Ce tutoriel explore ces défis, en se concentrant sur l'interprète mondial

Cet article compare TensorFlow et Pytorch pour l'apprentissage en profondeur. Il détaille les étapes impliquées: préparation des données, construction de modèles, formation, évaluation et déploiement. Différences clés entre les cadres, en particulier en ce qui concerne le raisin informatique

Ce didacticiel montre la création d'une structure de données de pipeline personnalisée dans Python 3, en tirant parti des classes et de la surcharge de l'opérateur pour une fonctionnalité améliorée. La flexibilité du pipeline réside dans sa capacité à appliquer une série de fonctions à un ensemble de données, GE

La sérialisation et la désérialisation des objets Python sont des aspects clés de tout programme non trivial. Si vous enregistrez quelque chose dans un fichier Python, vous effectuez une sérialisation d'objets et une désérialisation si vous lisez le fichier de configuration, ou si vous répondez à une demande HTTP. Dans un sens, la sérialisation et la désérialisation sont les choses les plus ennuyeuses du monde. Qui se soucie de tous ces formats et protocoles? Vous voulez persister ou diffuser des objets Python et les récupérer dans son intégralité plus tard. C'est un excellent moyen de voir le monde à un niveau conceptuel. Cependant, à un niveau pratique, le schéma de sérialisation, le format ou le protocole que vous choisissez peut déterminer la vitesse, la sécurité, le statut de liberté de maintenance et d'autres aspects du programme

Le module statistique de Python fournit de puissantes capacités d'analyse statistique de données pour nous aider à comprendre rapidement les caractéristiques globales des données, telles que la biostatistique et l'analyse commerciale. Au lieu de regarder les points de données un par un, regardez simplement des statistiques telles que la moyenne ou la variance pour découvrir les tendances et les fonctionnalités des données d'origine qui peuvent être ignorées et comparer les grands ensembles de données plus facilement et efficacement. Ce tutoriel expliquera comment calculer la moyenne et mesurer le degré de dispersion de l'ensemble de données. Sauf indication contraire, toutes les fonctions de ce module prennent en charge le calcul de la fonction moyenne () au lieu de simplement additionner la moyenne. Les nombres de points flottants peuvent également être utilisés. Importer au hasard Statistiques d'importation de fracTI
