对比 Python 三大日志方案：logging、Loguru、Logfire，讲清选型与落地避坑。
原文标题：日志别再print了！深入对比Python三大日志方案
原文作者：数据派THU
冷月清谈：
怜星夜思：
2、文里提到 Loguru 的 enqueue=True 能明显降低延迟，你觉得这类优化在哪些情况下最有价值？
3、文章说日志是“系统留给你的遗书”，你觉得写日志时最该优先保证什么？
4、从 logging 迁移到 Loguru，最大坑会是什么？
原文内容
本文约3400字，建议阅读7分钟本文介绍了 Python 三大日志方案的对比、选型及落地避坑技巧。
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。
