博客
关于我
对乱糟糟的日志说再见
阅读量:408 次
发布时间:2019-03-06

本文共 758 字,大约阅读时间需要 2 分钟。

最近有朋友向我抱怨公司系统日志质量不高,实用信息稀少,日志之间零散难追踪。我询问他公司是否有日志收集工具,他表示公司已接入收费第三方日志产品,但日志缺乏关键信息和统一规范,微服务间追踪困难。

经过了解,我推荐了开源分布式追踪框架skywalking和pinpoint,但由于搭建成本和存储成本问题,朋友犹豫不决。后来,我在开源社区发现了一款开源框架TLog,宣称轻量级且易于接入。

项目特性

TLog由Gitee托管,界面以暗黑风格设计。其核心功能是为每行日志自动打标签,包括系统级和业务级标签。标签分为系统标签和业务自定义标签,支持多级追踪。

支持的日志框架

TLog支持log4j、log4j2和logback三大日志框架,提供三种接入方式。测试显示,JavaAgent方式在复杂项目中可能不稳定,但官方支持的接入方式稳定可靠。

支持的RPC框架

TLog支持Dubbo、Spring Cloud和Dubbox等常用RPC框架,能自动适配Spring Boot环境,无需额外配置。原生Spring环境需简单配置,但文档详细说明。

业务标签

TLog允许开发者自定义业务标签,通过注解快速实现。标签支持逻辑处理,可自定义信息处理类,提升日志排版和查找效率。

其他场景支持

TLog支持异步线程和线程池,但线程池需辅助类侵入代码。MQ场景需少量改造才能支持标签传递。

性能

性能测试显示,TLog对日志打印的影响微乎其微,甚至可能稍微加快。测试显示,加TLog后10w日志平均耗时12.89秒,差异不大,但样本量小,需更多测试验证。

总结

TLog适合中小型企业快速解决日志追踪问题,集成分布式追踪功能,标签系统完善,性能优越。缺点是无法自行收集日志,需结合其他收集方案。总体来说,TLog是一个值得关注的开源工具。

转载地址:http://hyxkz.baihongyu.com/

你可能感兴趣的文章
OpenCV与AI深度学习 | 实战 | 使用YOLOv8 Pose实现瑜伽姿势识别
查看>>
OpenCV与AI深度学习 | 实战 | 使用YoloV8实例分割识别猪的姿态(含数据集)
查看>>
OpenCV与AI深度学习 | 实战 | 基于YoloV5和Mask RCNN实现汽车表面划痕检测(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实践教程|旋转目标检测模型-TensorRT 部署(C++)
查看>>
OpenCV与AI深度学习 | 干货 | 深度学习模型训练和部署的基本步骤
查看>>
OpenCV与AI深度学习 | 手把手教你用Python和OpenCV搭建一个半自动标注工具(详细步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 深度学习检测小目标常用方法
查看>>
Opencv中KNN背景分割器
查看>>
OpenCV中基于已知相机方向的透视变形
查看>>
OpenCV中的监督学习
查看>>
opencv中读写视频
查看>>
opencv之cv2.findContours和drawContours(python)
查看>>
opencv之namedWindow,imshow出现两个窗口
查看>>
opencv之模糊处理
查看>>
Opencv介绍及opencv3.0在 vs2010上的配置
查看>>
OpenCV使用霍夫变换检测图像中的形状
查看>>
opencv保存图片路径包含中文乱码解决方案
查看>>
OpenCV保证输入图像为三通道
查看>>
OpenCV入门教程(非常详细)从零基础入门到精通,看完这一篇就够了
查看>>
opencv图像分割2-GMM
查看>>