Python 日志配置不再难，Loguru 极简用法 + 标准库封装，高效定位问题。
你是否曾为Python日志配置抓狂？那么多部件：处理器、格式器、级别、配置……感觉就像在组装一件缺少说明书的IKEA家具，最后还装反了！
别担心，今天我要分享的这个简单技巧，将彻底改变你对Python日志记录的印象。
每个教程开头都是这样一大段：
import loggingfrom logging.handlers import RotatingFileHandlerlogger = logging.getLogger('MyApp')handler = logging.StreamHandler()file_handler = RotatingFileHandler('app.log', maxBytes=5*1024*1024, backupCount=10)formatter = logging.Formatter('%(asctime)s - %(name)s - %(levelname)s - %(message)s')handler.setFormatter(formatter)file_handler.setFormatter(formatter)logger.addHandler(handler)logger.addHandler(file_handler)logger.setLevel(logging.DEBUG)
等打完这些，咖啡早就凉了！
2. 错误信息像天书
"日志怎么没显示？哦，是因为忘了设置处理器，处理器又忘了设置格式器，格式器又忘了设置级别……" 日志像前任一样已读不回！
3. 日志级别让人困惑
DEBUG、INFO、WARNING、ERROR、CRITICAL——听起来简单，但问5个开发者什么是INFO、什么是DEBUG，你会得到10个答案！
拯救你的神器：Loguru
认识一下Loguru，这个库会让你的日志记录变得异常简单。
极简配置
from loguru import loggerlogger.add( "logs/app.log", level="DEBUG", format="{time:YYYY-MM-DD HH:mm:ss} - {level} - {file} - {line} - {message}", rotation="10 MB")logger.info('可以写日志了')
不需要创建文件夹，不需要设置复杂的处理器，一行配置就搞定一切！
错误追踪变得简单
Loguru能精准定位问题，每个变量的值都会给你标出来：
from loguru import logger@logger.catchdef test(): 'a' + 1test()
运行后会显示详细的错误信息，包括每个变量的值，调试效率大大提升！
为什么Loguru是救星？
无需复杂配置，导入即可开始记录日志。同一个项目中其他文件直接使用相同的logger：
from loguru import loggerlogger.info('直接使用，无需额外配置')
2. 强大的功能
Loguru内置了许多实用功能：
自动日志轮转：防止日志文件过大
异常捕获：使用装饰器自动记录异常
色彩支持：控制台输出自带色彩，更容易阅读
异步记录：不影响主程序性能
logger.info("用户操作", user_id=123, action="login", success=True)
这样的日志更容易被日志系统分析和查询。
传统logging还能抢救一下吗？
当然！如果你因项目限制必须使用标准logging库，这里有个简化方案：
创建可重用的日志工具函数
import loggingimport osdef setup_logger(name=None, level=logging.INFO): """设置并返回一个配置好的logger实例""" logger = logging.getLogger(name or __name__) logger.setLevel(level) ifnot logger.handlers: console_handler = logging.StreamHandler() console_handler.setLevel(level) os.makedirs('logs', exist_ok=True) file_handler = logging.handlers.RotatingFileHandler( 'logs/app.log', maxBytes=5*1024*1024, backupCount=3, encoding='utf-8' ) file_handler.setLevel(level) formatter = logging.Formatter( '%(asctime)s - [%(levelname)s] - %(name)s - %(filename)s:%(lineno)d - %(message)s', datefmt='%Y-%m-%d %H:%M:%S' ) console_handler.setFormatter(formatter) file_handler.setFormatter(formatter) logger.addHandler(console_handler) logger.addHandler(file_handler) return loggerlogger = setup_logger("my_app")logger.info("日志变得简单了！")
这个函数可以在项目的任何模块中重用，确保一致的日志配置。
实用场景示例
from fastapi import FastAPIfrom loguru import loggerapp = FastAPI()@app.middleware("http")asyncdef log_requests(request, call_next): logger.info(f"请求: {request.method} {request.url}") response = await call_next(request) logger.info(f"响应: {response.status_code}") return response@app.get("/")asyncdef read_root(): logger.info("访问根路径") return {"Hello": "World"}
数据处理中的进度跟踪
from loguru import loggerdef process_data(data): total = len(data) for i, item in enumerate(data): if i % 100 == 0: logger.info(f"进度: {i}/{total} ({i/total*100:.1f}%)") logger.debug(f"处理项目: {item}") logger.success(f"数据处理完成，共处理 {total} 条记录")
脚本调试
from loguru import logger@logger.catchdef main(): logger.info("脚本开始执行") logger.info("脚本执行完成")if __name__ == "__main__": main()
日志最佳实践
1. 选择合适的日志级别
DEBUG：详细的调试信息，适用于开发环境
INFO：确认程序按预期运行
WARNING：表明已发生或即将发生意外（如磁盘空间不足）
ERROR：由于严重问题，程序的某些功能已经不能正常执行
CRITICAL：严重错误，表明程序已不能继续执行
logger.error("操作失败")logger.error("用户操作失败", user_id=user_id, action=action, reason=error_msg)
3. 生产环境考虑性能
if logger.isEnabledFor(logging.DEBUG): expensive_data = generate_expensive_debug_data() logger.debug("数据: %s", expensive_data)
写在最后
Python日志记录从让人头疼到得心应手，只需要一个正确的工具和方法。Loguru让日志记录变得简单直观，而合理的封装也能让标准logging库变得易用。
记住，良好的日志记录就像飞机的黑匣子，当程序出现问题时，它能帮你快速定位原因，节省大量调试时间。
现在，是时候告别杂乱的print语句，拥抱高效的日志记录了！
编辑：于腾凯
数据派THU作为数据科学类公众号，背靠清华大学大数据研究中心，分享前沿数据科学与大数据技术创新研究动态、持续传播数据科学知识，努力建设数据人才聚集平台、打造中国大数据最强集团军。
新浪微博：@数据派THU
微信视频号：数据派THU
今日头条：数据派THU
