当前位置:首页 > 文章列表 > 文章 > python教程 > Python logging按请求注入上下文字段的过滤器方案

Python logging按请求注入上下文字段的过滤器方案

来源:17golang原创 2026-09-20 14:42:01 0浏览 收藏

Python 服务一旦同时处理多个请求,只把 request_id 放进全局变量,日志就可能出现“请求 A 的编号配在请求 B 的报错上”。更稳妥的做法是用 contextvars.ContextVar 保存请求上下文,再让 logging.Filter 在日志记录生成后注入字段。这样业务函数仍然可以直接使用普通 logger,不需要层层传递参数。

官方地址:https://docs.python.org/3/library/logging.html

要点速览
  • ContextVar 按当前线程或异步任务隔离值,适合请求级上下文。
  • 过滤器应绑定到实际输出日志的 Handler,并为缺省字段提供兜底值。
  • 入口保存 set() 返回的 token,在 finallyreset(),避免复用线程时串上下文。

先把请求字段放进 ContextVar

ContextVar 的重点不是“全局可见”,而是“在当前执行上下文中可见”。它从 Python 3.7 起提供上下文局部存储,官方文档也明确建议并发代码用它替代容易串值的状态容器。变量应该在模块级创建,默认值则负责覆盖健康检查、启动日志等没有请求入口的记录。

import logging
from contextvars import ContextVar

request_id_var = ContextVar("request_id", default="-")
user_id_var = ContextVar("user_id", default="-")

def handle_request(request_id: str, user_id: str) -> None:
    # 保存旧上下文,确保线程池或异步任务复用后不会遗留本次请求
    request_token = request_id_var.set(request_id)
    user_token = user_id_var.set(user_id)
    try:
        logging.getLogger("order").info("开始处理订单")
    finally:
        # 无论业务成功还是异常,都恢复进入请求前的值
        request_id_var.reset(request_token)
        user_id_var.reset(user_token)
Python ContextVar 保存 request_id 和 user_id,再交给 logging Filter 注入 LogRecord 的结构说明图
图1:ContextVar 到日志记录的输入关系说明图,不是运行截图。

不要只调用 set() 而不保存 token。在线程池里,请求结束后线程通常还会继续服务下一次请求;不 reset 时,下一条没有显式设置字段的日志可能继续带着旧编号。

让 Filter 统一补齐 LogRecord 字段

过滤器可以修改传入的 LogRecord,因此很适合把上下文字段集中注入。下面的实现只做两件事:读取当前上下文,并保证 Formatter 使用的字段永远存在。过滤器返回 True 表示继续输出,不把它当成业务条件过滤器使用。

class RequestContextFilter(logging.Filter):
    def filter(self, record: logging.LogRecord) -> bool:
        # 统一注入字段,避免 Formatter 遇到缺失属性而报错
        record.request_id = request_id_var.get()
        record.user_id = user_id_var.get()
        return True

handler = logging.StreamHandler()
handler.addFilter(RequestContextFilter())
handler.setFormatter(logging.Formatter(
    "%(levelname)s request=%(request_id)s user=%(user_id)s %(message)s"
))
root = logging.getLogger()
root.setLevel(logging.INFO)
root.addHandler(handler)

# 业务模块只拿 logger,不必接收 request_id 参数
logging.getLogger("order").info("订单查询完成")
Python logging Handler 接收 LogRecord、Filter 注入 request_id 和 user_id、Formatter 输出日志的关系图
图2:Handler、Filter 与 Formatter 的字段流转说明图,不是运行截图。

把过滤器挂在 Handler 通常更容易控制:多个 Handler 可以分别决定是否需要这些字段。若只挂在父 Logger 上,来自子 Logger 的记录不一定经过该 Logger 的过滤器;另外,重复给祖先和子 Logger 绑定 Handler 还可能造成重复输出。

同步线程和 asyncio 都要检查的边界

场景建议容易忽略的点
同步请求入口 set,finally reset线程复用不会自动清理业务值
asyncio 任务每个任务建立自己的上下文创建后台任务前确认需要传播哪些字段
多 Handler把字段注入放在需要输出它的 Handler不同 Formatter 的字段集合可能不同

日志格式中新增字段后,所有可能处理该记录的 Handler 都要有对应的兜底字段,否则某条第三方库日志没有经过预期过滤器时,Formatter 会抛出格式化异常。生产环境还要避免把完整 Cookie、Authorization 或身份证明直接放入 ContextVar;上下文隔离不等于敏感信息自动脱敏。

相关问题

为什么不用全局字典保存当前请求?

全局字典没有线程和任务隔离,同一时间的请求会互相覆盖。ContextVar 按执行上下文保存值,更适合并发请求。

Filter 应该挂在 Logger 还是 Handler?

需要确保最终输出字段时优先挂 Handler;只有确定所有目标 Logger 都会经过同一个过滤器时,才考虑挂在 Logger。

没有请求上下文的日志怎么办?

给 ContextVar 设置短横线等默认值,让启动日志、定时任务和异常兜底日志仍然可格式化,再用 logger 名称或任务名区分来源。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
商汤Seko一键成片前要准备什么?脚本、角色与镜头资料清单商汤Seko一键成片前要准备什么?脚本、角色与镜头资料清单
上一篇
商汤Seko一键成片前要准备什么?脚本、角色与镜头资料清单
Go database/sql遍历Rows后检查尾部错误的实践示例
下一篇
Go database/sql遍历Rows后检查尾部错误的实践示例
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    136次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    201次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    146次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    127次使用
  • CMMLU中文大模型评估基准:功能、使用教程与应用场景解析
    CMMLU
    深入了解CMMLU中文评估基准,涵盖67个学科主题,提供数据集下载、Zero-shot/Five-shot评估方法及排行榜,助力优化中文语言模型性能。
    115次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议隐私政策
返回登录
  • 重置密码