--- title: 日志别再print了！深入对比Python三大日志方案 source_url: https://mp.weixin.qq.com/s/5Ca9BVTMWJZ0eeb1yWJhag publish_date: 2026-05-10 tags: [wechat, article] review_value: 7 review_confidence: 7 review_recommendation: neutral sha256: fa90ccb83f1687e5210505efb208495692854dc7f02c6c7f7e373777d4252f2e --- --- source: wechat source_url: https://mp.weixin.qq.com/s/5Ca9BVTMWJZ0eeb1yWJhag ingested: 2026-05-09 feed_name: 数据STUDIO wechat_mp_fakeid: MP_WXS_3949259461 source_published: 2026-04-22 --- # 日志别再print了！深入对比Python三大日志方案 凌晨2点13分，生产环境突然告警。你打开终端，翻看日志，却发现一片混乱：有的日志带时间戳，有的没有；有的用 ` %s ` 格式化，有的直接拼接字符串；异常堆栈七零八落，请求ID无法串联。那个瞬间，你恨不得把半年前的自己拽起来重写一遍日志代码。 如果你经历过这样的场景，今天这篇文章就是为你准备的。 我做了十年后端开发，从单体应用到微服务，从简单的cron脚本到高并发的API网关，日志系统重构过无数次。直到两年前遇到 ** Loguru ** ，我才真正觉得“日志不该这么复杂”。 本文会带你深入对比Python三大日志方案： ** 标准库logging ** 、 ** Loguru ** 和 ** 新一代的Logfire ** ，通过真实案例告诉你——什么时候该用什么，以及如何写出“凌晨2点也能救你一命”的日志。 ## 一、标准库logging > 那个“什么都能做，但什么都不好做”的老朋友 先看一段最典型的logging配置代码： import logging # 创建logger logger = logging.getLogger(__name__) logger.setLevel(logging.INFO) # 创建文件handler handler = logging.FileHandler("app.log") formatter = logging.Formatter(     "%(asctime)s | %(levelname)s | %(name)s | %(message)s" ) handler.setFormatter(formatter) logger.addHandler(handler) # 使用 def process_order(order_id):     logger.info("Processing order %s", order_id)     try:         do_work(order_id)     except Exception:         logger.exception("Order failed") 这段代码已经算“规范”了，但问题在于： ** 1\. 配置太啰嗦 ** 每个新项目都要复制粘贴这10行模板，还要决定用 ` dictConfig ` 还是 ` basicConfig ` 。团队里5个人，能写出5种风格。 ** 2\. 上下文传递极其痛苦 ** 想给每条日志加上 ` request_id ` ？要么用 ` LoggerAdapter ` ，要么用自定义Filter，代码量直接翻倍。我见过一个项目，为了一行日志的上下文，写了50行适配器代码。 ** 3\. 异常日志容易出错 ** ` logger.exception ` 必须放在 ` except ` 块内，新手经常忘记传 ` exc_info=True ` ，导致异常堆栈丢失。 ** 4\. 结构化日志需要手动拼接 ** 想把日志输出成JSON送ELK？你得自己组装字典，还要处理嵌套字段。 > ⚠️ ** 注意：这里90%的人会踩坑 ** > logging模块的 ` % ` 风格格式化是惰性求值的，但如果你写成 ` logger.info(f"Processing {order_id}") ` ，字符串会在调用前就拼接，哪怕日志级别不输出也会造成性能损耗。很多人不知道这个差异。 ** 标准库logging的定位 ** ： 它是Python自带的“瑞士军刀”——什么都能做，但每件事都要你自己拧螺丝。适合大型企业系统、有严格合规要求的场景、或者你无法引入第三方依赖的环境。 ## 二、Loguru > 开发者体验的极致 我第一次用Loguru是在一个数据清洗脚本里。原本只是想“试一下”，结果那个脚本到现在还在线上跑，日志部分一行没改过。 ### 1\. 零配置起步 from loguru import logger logger.info("Service started") 就这么简单。输出自动包含时间戳、日志级别、文件路径、行号、消息。颜色也是彩色的，开发时一眼就能区分级别。 ### 2\. 文件轮转，一行搞定 logger.add(     "logs/app.log",     rotation="10 MB",      # 超过10MB自动轮转     retention="7 days",    # 保留7天     level="INFO",     format="{time} | {level} | {message}" ) 这是我最喜欢的功能。标准库要做文件轮转，你需要 ` RotatingFileHandler ` 、 ` TimedRotatingFileHandler ` ，还要配置备份数量。Loguru直接把配置参数化，读起来像自然语言。 ### 3\. 异常处理，优雅得不像话 try:     risky_call() except Exception:     logger.exception("Risky call failed")  # 自动捕获完整堆栈 不需要传 ` exc_info ` ，不需要手动格式化，堆栈信息完整且美观。 ### 4\. 上下文绑定，告别参数传递 # 绑定request_id request_logger = logger.bind(request_id="req_123") request_logger.info("Incoming request")  # 自动包含request_id 在FastAPI中，我通常这样用： from fastapi import FastAPI, Request from loguru import logger import uuid app = FastAPI() @app.middleware("http") asyncdef add_request_id(request: Request, call_next):     request_id = str(uuid.uuid4())     request.state.logger = logger.bind(request_id=request_id)     response = await call_next(request)     return response @app.get("/health") asyncdef health(request: Request):     request.state.logger.info("Health check")  # 自动带request_id     return {"status": "ok"} 调试时，直接 ` grep request_id ` 就能把整个请求链路的日志拉出来，效率翻倍。 ### 5\. 异步友好，无痛切换 import asyncio from loguru import logger async def worker(name):     logger.info("Worker started {}", name)     await asyncio.sleep(1)     logger.info("Worker finished {}", name) async def main():     await asyncio.gather(worker("A"), worker("B")) asyncio.run(main()) 输出顺序正确，不会出现日志交叉混乱的情况。 ### 6\. 非阻塞日志（性能关键） logger.add(     "logs/app.log",     enqueue=True,      # 日志入队，后台线程写入     rotation="50 MB",     level="INFO" ) 在压测中， ` enqueue=True ` 能把日志带来的延迟波动降低60%以上。对于高QPS的服务，这个特性是救命稻草。 ### 7\. 结构化日志，一行切换 logger.add(     "logs/app.json",     serialize=True,    # 输出JSON格式     level="INFO" ) logger.info("User login", user_id=42, source="web") # 输出: {"time": "2026-03-21T10:00:00", "level": "INFO", "message": "User login", "user_id": 42, "source": "web"} 不需要手动构造字典， ` serialize=True ` 自动把额外参数转成JSON字段，完美对接ELK、Loki等日志系统。 ### 8\. 生产环境最佳实践 from loguru import logger import sys def setup_logging():     # 移除默认的stderr输出     logger.remove()     # 控制台输出（开发环境）     logger.add(         sys.stdout,         level="INFO",         format="{time} | {level} | {message}"     )     # 文件输出（生产环境）     logger.add(         "logs/app.log",         level="INFO",         rotation="100 MB",         retention="10 days",         enqueue=True,         compression="zip"   # 压缩旧日志     ) 整个配置函数不到15行，比logging的 ` dictConfig ` 清晰10倍。 ** Loguru的定位 ** ： 它是“开发者优先”的日志库，用最少的代码做最多的事。适合微服务、CLI工具、数据管道、内部系统——任何你希望“日志不成为负担”的场景。 ## 三、Logfire > 当日志遇见可观测性 如果说logging是工具，Loguru是体验升级，那Logfire代表的是 ** 范式转变 ** 。 Logfire不是简单的日志库，它是可观测性平台与代码的桥梁。它会自动捕获结构化数据，实时发送到OpenTelemetry、Grafana、Datadog等后端，并且与指标（metrics）和链路追踪（traces）自动关联。 想象这个场景：你的API突然错误率飙升。 * 用标准库：你去服务器上 ` grep ERROR ` ，再根据时间戳手动找关联。 * 用Loguru：你打开日志文件，搜索关键字，看堆栈。 * 用Logfire：你在Dashboard上看到错误率曲线，点击任意一个错误点，直接看到对应的日志、调用链路、数据库查询耗时、甚至当时的CPU和内存快照。 Logfire适合分布式系统、微服务架构、SRE团队。如果你已经上了Kubernetes，用了Prometheus和Grafana，那Logfire就是填上“日志”这块拼图的最佳方案。 ## 四、实战对比：三个场景，三种选择 ### 场景1：一个简单的cron脚本 ** 需求 ** ：每天凌晨跑一次数据同步，需要记录开始、结束、失败原因。 ** 选择 ** ：Loguru ** 理由 ** ：一行配置，彩色输出，错误堆栈自动完整。不需要考虑性能，不需要轮转策略。 from loguru import logger logger.add("sync.log", rotation="30 days") def main():     logger.info("Sync started")     try:         do_sync()     except Exception as e:         logger.exception("Sync failed")         raise     logger.info("Sync completed") if __name__ == "__main__":     main() ### 场景2：一个高并发的API网关 ** 需求 ** ：每秒处理5000+请求，日志需要带request_id，需要输出JSON格式给ELK，不能影响延迟。 ** 选择 ** ：Loguru + ` enqueue=True ` ** 理由 ** ：非阻塞队列保证性能，结构化输出方便检索，绑定request_id实现全链路追踪。 logger.add(     "api.log",     enqueue=True,     serialize=True,     rotation="500 MB",     retention="7 days" ) # 中间件绑定request_id @app.middleware("http") asyncdef log_request(request: Request, call_next):     request_id = request.headers.get("X-Request-ID", str(uuid.uuid4()))     with logger.contextualize(request_id=request_id):         response = await call_next(request)         return response ### 场景3：一个金融级交易系统 ** 需求 ** ：合规要求日志不可丢失，需要分级存储（审计日志单独加密），必须通过外部审计，依赖必须最小化。 ** 选择 ** ：标准库logging + 自定义Handler ** 理由 ** ：稳定、无外部依赖、可精细控制每个环节。虽然配置繁琐，但这是合规的必要代价。 ## 五、迁移指南 > 从logging到Loguru 如果你决定切换，记住三个核心步骤： ### 1\. 替换调用 # 之前 import logging logger = logging.getLogger(__name__) logger.info("Processing %s", order_id) # 之后 from loguru import logger logger.info("Processing {}", order_id)  # 注意格式变化 ### 2\. 桥接第三方库 有些库（如 ` requests ` 、 ` urllib3 ` ）使用标准库logging，你可以拦截并转发到Loguru： import logging from loguru import logger class InterceptHandler(logging.Handler):     def emit(self, record):         level = logger.level(record.levelname).name         logger.log(level, record.getMessage()) # 全局拦截 logging.basicConfig(handlers=[InterceptHandler()], level=0) ### 3\. 逐步替换 建议从边缘服务开始，验证稳定性后再逐步推广到核心系统。Loguru和logging可以共存，不用一次性全部改完。 ## 六、避坑指南 ** 坑1：忘记移除默认的stderr输出 ** logger.remove()  # 必须先调用，否则会输出两份 ** 坑2：在异步代码中用 ` enqueue=False ` ** 如果异步任务很多，日志可能阻塞事件循环。记得加上 ` enqueue=True ` 。 ** 坑3：敏感信息泄露 ** 结构化日志会自动记录额外参数，千万确认不要在参数里传密码、token。建议实现一个过滤器： def mask_secrets(record):     if "password" in record["message"]:         record["message"] = record["message"].replace(record["extra"].get("password", ""), "***")     return True logger.add("app.log", filter=mask_secrets) ## 写在最后 我常跟团队说： ** 日志是系统留给你的遗书 ** 。当事故发生时，它是唯一诚实的目击者。 用了两年Loguru，我最深的感受不是它功能多强，而是它让我 ** 愿意写日志了 ** 。以前配置麻烦，上下文难传，异常堆栈不全，导致大家本能地逃避。现在一个 ` logger.info ` 就能带出所有上下文，开发者在调试时主动加日志，线上问题排查时间从小时级降到分钟级。 工具只是工具，但好的工具能改变习惯，习惯最终变成文化。而好的日志文化，是凌晨2点还能睡个好觉的底气。 ### 核心回顾 > 1. ** 标准库logging ** ：稳定、可控、零依赖，适合大型企业系统 > 2. ** Loguru ** ：开发者体验极致，配置简洁，适合绝大多数Python项目 > 3. ** Logfire ** ：面向可观测性的新一代方案，适合分布式、云原生架构 > ** 选择的关键 ** ：不是哪个最强大，而是哪个能让你和团队“不痛苦地写出好日志”。 假设你现在要做一个日活100万的API服务，日志需要支持全链路追踪、实时告警、长期归档，你会选择哪套方案？如果选Loguru，你会如何设计它的配置来平衡性能和可观测性？评论区聊聊你的思路。 ##### 🏴‍☠️宝藏级🏴‍☠️ 原创公众号『 ** 数据STUDIO ** 』内容超级硬核。公众号以Python为核心语言，垂直于数据科学领域，包括 可戳 👉[ Python ]() ** ** ｜ ** ** [ MySQL ]() ** ** ｜ ** ** [ 数据分析 ]() ** ** ｜ ** ** [ 数据可视化 ]() ** ** ｜ ** ** [ 机器学习与数据挖掘 ]() ** ** ｜ ** ** [ 爬虫 ]() ** 等，从入门到进阶！ 长按👇关注- 数据STUDIO -设为星标，干货速递