当前位置:首页 > 文章列表 > 文章 > python教程 > Python logging 怎样按模块切分日志级别

Python logging 怎样按模块切分日志级别

来源:17golang原创 2026-10-23 08:52:23 0浏览 收藏

Python logging 按模块切分日志级别,关键不是给每个文件随手调用一次 basicConfig(),而是让模块名形成稳定的 logger 层级,再分别设置 logger、handler 和 propagate。例如可以让 myapp.web 只输出 INFO 以上,让 myapp.worker 保留 DEBUG 细节,而 root logger 只做 WARNING 兜底。

最稳妥的做法是:业务模块只用 logging.getLogger(__name__),集中配置一次;模块自己的 handler 负责独立输出时,把 propagate 设为 False,否则同一条记录可能继续冒泡到 root logger。

先把 logger 名称设计成模块树

每个模块都使用自己的名字创建 logger,不要在业务代码里直接使用 root logger:

import logging

# 使用模块名作为 logger 名称,让配置可以按包层级匹配
logger = logging.getLogger(__name__)

def load_profile(user_id: str) -> dict:
    # DEBUG 只记录排查所需的输入上下文,不把敏感凭据写入日志
    logger.debug("开始读取用户配置 user_id=%s", user_id)
    try:
        profile = {"user_id": user_id, "theme": "light"}
    except KeyError:
        # 异常日志保留堆栈,便于定位真正的调用位置
        logger.exception("用户配置字段缺失 user_id=%s", user_id)
        raise
    return profile

假设文件位于 myapp/web.py、myapp/worker.py 和 myapp/data.py,那么 __name__ 通常会得到 myapp.web、myapp.worker 和 myapp.data。点号就是层级分隔符,配置 myapp 时可以覆盖其子模块,配置更具体的 myapp.worker 时又可以单独收紧或放宽。

Python logging 模块树说明图,展示 getLogger __name__、web、worker、data 与 root logger 的层级关系
图1:Python logging 模块树说明图,展示 logger 名称和父级边界;这是静态结构图,不是运行截图。

先分清 logger level 和 handler level

这两个级别经常被混为一谈,但它们处在不同位置:

配置位置作用常见决策
logger level决定这条记录是否达到该 logger 的处理阈值worker 打开 DEBUG,web 使用 INFO
handler level决定记录是否发往某个具体目的地控制台只收 INFO,调试文件收 DEBUG
propagate决定记录是否继续交给父级 logger 的 handler模块已有独立输出时设为 False

因此,想看到 worker 的 DEBUG,不能只把文件 handler 设为 DEBUG;worker logger 本身也必须允许 DEBUG 记录产生。反过来,如果 logger 允许 DEBUG,但控制台 handler 是 INFO,DEBUG 仍然不会出现在控制台,却可以进入另一个更低阈值的 handler。

用 dictConfig 给模块分配不同级别

配置集中放在启动入口,业务模块只负责发日志。下面的配置把 web 的普通运行信息送到控制台,把 worker 的详细信息送到独立文件,并让 root logger 处理没有单独配置的模块:

import logging.config

LOGGING = {
    "version": 1,
    # 保留第三方库已有 logger,避免配置时全部静默
    "disable_existing_loggers": False,
    "formatters": {
        "standard": {
            "format": "%(asctime)s %(name)s %(levelname)s %(message)s"
        }
    },
    "handlers": {
        "console": {
            "class": "logging.StreamHandler",
            "level": "INFO",
            "formatter": "standard",
            "stream": "ext://sys.stdout"
        },
        "worker_file": {
            "class": "logging.FileHandler",
            "level": "DEBUG",
            "formatter": "standard",
            "filename": "worker.log",
            "encoding": "utf-8"
        }
    },
    "loggers": {
        "myapp.web": {
            "level": "INFO",
            "handlers": ["console"],
            # web 已经有专属 handler,避免再次交给 root 输出
            "propagate": False
        },
        "myapp.worker": {
            "level": "DEBUG",
            "handlers": ["worker_file"],
            # worker 的 DEBUG 只进入自己的文件
            "propagate": False
        }
    },
    "root": {
        "level": "WARNING",
        "handlers": ["console"]
    }
}

# 在应用启动阶段统一安装配置,业务模块不要重复调用 basicConfig
logging.config.dictConfig(LOGGING)

这份配置的取舍是“模块级优先、root 级兜底”:myapp.web 的 DEBUG 会先被 logger 阈值挡住,INFO 及以上交给控制台;myapp.worker 的 DEBUG 交给文件;其他模块没有专属配置时,按照 root 的 WARNING 处理。FileHandler 的文件路径应由部署配置决定,生产环境还要结合轮转 handler 或日志收集系统管理容量。

Python logging 级别路由说明图,展示模块级阈值、控制台与文件 handler 以及 propagate 关系
图2:Python logging 级别路由说明图,展示模块阈值、输出目的地和传播控制;这是静态结构图,不是运行截图。

出现缺失或重复日志时怎么排查

先看代码创建出来的 logger 名称,再看它的有效级别和 handler。一个常见误区是只修改了父 logger 的级别,却忘记子 logger 已经显式设置了更高阈值;另一个误区是子 logger 与 root 都挂了控制台 handler,同时 propagate 仍为 True,结果一条记录打印两次。

import logging

logger = logging.getLogger("myapp.worker")

# 这些属性用于诊断配置状态,不是业务日志内容
print("name=", logger.name)
print("effective_level=", logger.getEffectiveLevel())
print("handlers=", [type(item).__name__ for item in logger.handlers])
print("propagate=", logger.propagate)

可以按下面的顺序判断:

  1. 日志缺失:先确认调用的 logger 名称是否和 dictConfig 中的键一致,再比较 logger 的有效级别和消息级别。
  2. 只在文件出现:检查控制台 handler 的级别是否高于该消息,或该模块是否关闭了向父级传播。
  3. 重复出现:检查模块和 root 是否都挂了相同目的地的 handler;如果模块需要独立 handler,通常将 propagate 设为 False。
  4. 第三方库太吵:针对它的完整 logger 名称设置 WARNING 或更高,而不是粗暴关闭整个 root logger。

小结:按模块切分日志的配置清单

  • 模块代码统一使用 logging.getLogger(__name__),不要到处调用 root logger。
  • logger level 决定记录是否产生,handler level 决定记录去哪里。
  • 模块已有专属 handler 时明确设置 propagate=False,避免重复输出。
  • 把配置集中在启动入口,给没有专属规则的模块保留 root WARNING 兜底。

常见问题

为什么把 handler 设成 DEBUG 仍然看不到 DEBUG?

因为 logger 可能在更早的位置以 INFO 或 WARNING 过滤掉了记录。先降低对应 logger 的级别,再检查 handler。

子模块一定要单独配置吗?

不一定。若一组模块使用同一策略,可以只配置共同的父 logger,让子 logger 继续传播;只有需要不同阈值或目的地时才配置具体子模块。

库代码应该自己添加 FileHandler 吗?

通常不应该。库应使用有辨识度的 logger 名称,必要时使用 NullHandler,把 handler 和输出目的地交给最终应用配置。

参考资料:https://docs.python.org/3/howto/logging.html、https://docs.python.org/3/library/logging.html、https://docs.python.org/3/library/logging.config.html

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
Python csv.reader 怎样用 line_num 定位跨行记录错误Python csv.reader 怎样用 line_num 定位跨行记录错误
上一篇
Python csv.reader 怎样用 line_num 定位跨行记录错误
Python shutil.copyfileobj 怎样控制大文件复制缓冲区
下一篇
Python shutil.copyfileobj 怎样控制大文件复制缓冲区
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。
    611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。
    650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。
    682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。
    645次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    469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 和 隐私政策
返回登录
  • 重置密码