Python Logging 模块的动手实践:构建一个完整的日志记录系统
Logging、日志纪录、调试、应用程序、开发
Logger的建立与使用
Logging模块的核心是Logger类。要开始使用,您需要创建一个Logger实例:
importurs logger=ursing.er()
您可以使用.name属性来指定您的日志的Logger:
logger=ursing.er("my_application")
日志级别:定义严重性
您可以通过将level属性设置为内置级别之一来指定日志条目标严重性。级别范围从DEBUG(最不严重)到FATAL(最严重),如下所示:
level=ursing.L.DEBUG# 调试级别 level=ursing.L.INFO# 信息级别 level=ursing.L.WARNING# 告警级别
处理器:格式化和传播日志
处理器是从Logger获取日志并将其发送到特定目标的组件。内置处理器提供了开箱即用的方法:
# 将日志信息发送到标准输出(终端) handler=ursing.mhandler()
您可以使用.fORMatter属性为您的日志定制格式:
handler.er=ursing.er(ursing.F("%(levelname)s:%(message)s"))
滤波器:只捕捉你感兴趣的日志
滤波器允许您只捕获满足特定标准的日志。使用Filter类:
filter=ursing.r() filter.re=rs.ur("ERROR")# 仅匹配“ERROR”级别的日志
将所有内容组合在一起
将处理器和滤波器附加到Logger以建立完整的日志管道:
logger.addhandler(handler, filter)
动手示例:一个完整的日志纪录器
考虑一个在文件"example.py"中运行的应用程序。如下所示,我们使用Logging模块建立了一个全方位的日志纪录器:
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)
在应用程序中,您可以使用.log()方法在指定级别上向日志中写入信息:
logger.info("开始应用程序") logger.error("应用程序遇到一个严重问题")
结论
Logging模块为您提供了对应用程序日志纪录的全面而灵活的控件。将其与适当的级别、处理器和滤波器结合使用,您可以建立一个健壮且有见地的日志纪录基础,以帮助您隔离问题、跟踪应用程序行为并优化性能。
以上是Python Logging 模块的动手实践:构建一个完整的日志记录系统的详细内容。更多信息请关注PHP中文网其他相关文章!

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

AI Hentai Generator
免费生成ai无尽的。

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

本教程演示如何使用Python处理Zipf定律这一统计概念,并展示Python在处理该定律时读取和排序大型文本文件的效率。 您可能想知道Zipf分布这个术语是什么意思。要理解这个术语,我们首先需要定义Zipf定律。别担心,我会尽量简化说明。 Zipf定律 Zipf定律简单来说就是:在一个大型自然语言语料库中,最频繁出现的词的出现频率大约是第二频繁词的两倍,是第三频繁词的三倍,是第四频繁词的四倍,以此类推。 让我们来看一个例子。如果您查看美国英语的Brown语料库,您会注意到最频繁出现的词是“th

本文解释了如何使用美丽的汤库来解析html。 它详细介绍了常见方法,例如find(),find_all(),select()和get_text(),以用于数据提取,处理不同的HTML结构和错误以及替代方案(SEL)

处理嘈杂的图像是一个常见的问题,尤其是手机或低分辨率摄像头照片。 本教程使用OpenCV探索Python中的图像过滤技术来解决此问题。 图像过滤:功能强大的工具 图像过滤器

PDF 文件因其跨平台兼容性而广受欢迎,内容和布局在不同操作系统、阅读设备和软件上保持一致。然而,与 Python 处理纯文本文件不同,PDF 文件是二进制文件,结构更复杂,包含字体、颜色和图像等元素。 幸运的是,借助 Python 的外部模块,处理 PDF 文件并非难事。本文将使用 PyPDF2 模块演示如何打开 PDF 文件、打印页面和提取文本。关于 PDF 文件的创建和编辑,请参考我的另一篇教程。 准备工作 核心在于使用外部模块 PyPDF2。首先,使用 pip 安装它: pip 是 P

本教程演示了如何利用Redis缓存以提高Python应用程序的性能,特别是在Django框架内。 我们将介绍REDIS安装,Django配置和性能比较,以突出显示BENE

本文比较了Tensorflow和Pytorch的深度学习。 它详细介绍了所涉及的步骤:数据准备,模型构建,培训,评估和部署。 框架之间的关键差异,特别是关于计算刻度的

Python是数据科学和处理的最爱,为高性能计算提供了丰富的生态系统。但是,Python中的并行编程提出了独特的挑战。本教程探讨了这些挑战,重点是全球解释

本教程演示了在Python 3中创建自定义管道数据结构,利用类和操作员超载以增强功能。 管道的灵活性在于它能够将一系列函数应用于数据集的能力,GE
