作为一名开发者，你是否曾在生产环境遇到过这样的窘境：应用程序在服务器上运行良好，但当你需要排查问题时，却发现日志文件中缺少了关键的调试信息？或者反过来，你在终端上看到了一堆滚动的输出，却无法在程序崩溃后追溯历史记录？这就是为什么掌握日志管理——特别是如何将日志同时输出到标准输出和文件——是每一位 Python 工程师的必修课。
在 2026 年，随着云原生架构和 AI 辅助编程的普及，日志不再仅仅是“排错工具”，它是我们观测系统健康状况的“眼睛”，也是 AI 代理理解系统行为的“数据源”。在本文中，我们将深入探讨 Python 的 logging 模块。这不仅是一个简单的打印语句替代品，而是一个功能强大、灵活且线程安全的事件记录系统。我们将一起探索从基础配置到符合 2026 年标准的可观测性实践，确保我们既能实时监控应用状态，又能保留持久化的审计踪迹。
为什么我们需要同时输出到控制台和文件？
在开始编码之前，让我们先达成一个共识：分离关注点。
- 标准输出： 它是我们的“实时监控器”。在现代开发中，特别是在使用 Docker、Kubernetes 或 Serverless 环境时，控制台日志是集中式日志系统（如 ELK、Loki 或 Datadog）采集数据的入口。它让我们能够即时看到发生了什么。
- 日志文件： 它是我们的“黑匣子”。当应用重启、崩溃或者我们需要分析数天前的数据时，文件提供了持久化的存储。在本地开发或旧式服务器部署中，它是我们最后的救命稻草。
将两者结合，我们既能享受实时反馈的便利，又能拥有事后分析的底气。让我们来看看具体的实现策略。
方法一：使用 logging.basicConfig（快速上手）
对于简单的脚本、小型自动化任务或者 LeetCode 刷题脚本，logging.basicConfig 依然是最快的方式来完成配置。这个函数提供了一站式服务，允许我们在不创建复杂对象的情况下设置日志级别、格式和处理器。
在这个例子中，我们将配置一个日志系统，它不仅会将信息打印到屏幕上，还会将其保存到名为 application.log 的文件中。为了让你更清楚地看到效果，我们还特意加入了详细的中文注释。
import logging
import sys
# 配置日志记录器
# level=DEBUG: 捕获所有级别的日志（从 DEBUG 到 CRITICAL），这在开发阶段非常有用
# format: 定义日志消息的结构，包含时间、名称、级别和消息本身
# handlers: 这是一个关键列表，我们在这里同时添加了文件处理器和流处理器（控制台）
logging.basicConfig(
level=logging.DEBUG,
format=‘%(asctime)s - %(name)s - %(levelname)s - %(message)s‘,
handlers=[
logging.FileHandler("application.log", encoding=‘utf-8‘), # 将日志写入文件，指定编码防止中文乱码
logging.StreamHandler(sys.stdout) # 明确指定输出到标准输出，这对于某些 IDE 捕获非常重要
]
)
# 记录不同级别的消息以进行演示
logging.debug(‘调试信息：正在初始化核心模块...‘)
logging.info(‘一般信息：核心模块加载成功。‘)
logging.warning(‘警告信息：当前使用了已弃用的函数，建议更新。‘)
logging.error(‘错误信息：模块在处理过程中遇到异常。‘)
logging.critical(‘严重错误：系统无法启动，请立即检查！‘)
发生了什么？
当你运行这段代码时，你会注意到两件事：
- 终端中会立即显示出彩色的（如果终端支持）或纯文本的日志流。
- 在你的脚本同级目录下，会生成一个
application.log文件，里面包含了完全相同的内容。
实用见解： 这种方法非常适合小型工具。但是，有一个常见的陷阱：如果你多次调用 basicConfig，只有第一次调用会生效。后续的调用会被 Python 的日志系统默默忽略。这意味着如果你在一个大型项目中导入了一个已经配置过日志的库，你的配置可能会被覆盖或者不起作用。这就引出了我们下一种更专业的方法。
方法二：使用 logging.config.dictConfig（企业级配置）
随着项目规模扩大到 2026 年的微服务标准，硬编码的配置开始显得笨重且难以维护。此时，logging.config.dictConfig 就成了我们的首选武器。它允许我们使用字典结构来精细定义日志系统的每一个细节，并且可以轻松地从 YAML 或 JSON 文件中加载，符合“配置即代码”的理念。
在这个进阶示例中，我们将看到如何通过字典配置来精确控制 Formatter（格式化器）、Handler（处理器）和 Logger（记录器）。
import logging
import logging.config
# 定义详细的日志配置字典
LOGGING_CONFIG = {
‘version‘: 1, # 配置版本号，目前唯一有效值是 1
‘disable_existing_loggers‘: False, # 如果设为 True，会禁用所有已存在的记录器，通常保留 False 以兼容第三方库
‘formatters‘: { # 定义日志的显示格式
‘standard‘: {
‘format‘: ‘%(asctime)s - [%(levelname)s] - %(name)s - %(message)s‘,
},
‘detailed‘: {
‘format‘: ‘%(asctime)s - [%(levelname)s] - %(name)s - %(funcName)s:%(lineno)d - %(message)s‘,
}
},
‘handlers‘: { # 定义日志的处理器，即日志去哪里
‘file_handler‘: { # 文件处理器
‘level‘: ‘DEBUG‘, # 处理级别：只处理 DEBUG 及以上
‘class‘: ‘logging.FileHandler‘,
‘filename‘: ‘app.log‘, # 文件名
‘formatter‘: ‘detailed‘, # 文件中保留更详细的信息（如函数名、行号）
‘encoding‘: ‘utf-8‘,
},
‘console_handler‘: { # 控制台处理器
‘level‘: ‘INFO‘, # 控制台只显示重要信息
‘class‘: ‘logging.StreamHandler‘,
‘formatter‘: ‘standard‘, # 控制台使用简洁格式
},
},
‘loggers‘: { # 定义具体的记录器
‘AppLogger‘: { # 我们自定义的记录器名称
‘handlers‘: [‘file_handler‘, ‘console_handler‘], # 同时绑定文件和控制台处理器
‘level‘: ‘DEBUG‘, # 记录器本身的级别
‘propagate‘: False, # 是否传播给父级记录器，通常设为 False 以避免重复日志
},
},
}
# 应用配置
logging.config.dictConfig(LOGGING_CONFIG)
# 获取我们定义的记录器
logger = logging.getLogger(‘AppLogger‘)
# 发送日志
logger.debug(‘调试：系统正在检查环境变量...‘)
logger.info(‘信息：数据库连接已建立。‘)
logger.warning(‘警告：内存使用率接近 80%。‘)
logger.error(‘错误：无法解析用户输入的 JSON 数据。‘)
logger.critical(‘严重：主线程无响应！‘)
为什么这种方法更好？
通过上面的代码，你可以看到我们将“配置”与“逻辑”完全分离了。我们可以轻松地修改 INLINECODEeec5b9cc 格式化器来改变所有输出，而不需要深入代码逻辑去查找 INLINECODEb8b36868。此外，这种结构支持更复杂的场景，比如基于时间的日志轮转和更复杂的过滤器。
深入实战：日志轮转与文件管理
作为负责任的开发者，我们必须考虑到一个问题：磁盘空间。如果一个长期运行的服务将所有日志都写入同一个文件，这个文件迟早会变得巨大，甚至撑爆硬盘。为了解决这个问题，Python 提供了 INLINECODE022aa5de 和 INLINECODE432e9762。
让我们看一个更具实战意义的例子，它结合了之前的知识，并增加了日志轮转功能，确保我们的日志文件会自动压缩和归档，而不是无限增长。
import logging
import logging.config
import logging.handlers
LOGGING_CONFIG = {
‘version‘: 1,
‘disable_existing_loggers‘: False,
‘formatters‘: {
‘verbose‘: {
‘format‘: ‘{levelname} {asctime} {module} {process:d} {thread:d} {message}‘,
‘style‘: ‘{‘, # 使用 str.format() 风格的格式化
},
},
‘handlers‘: {
# 控制台输出
‘console‘: {
‘level‘: ‘INFO‘, # 控制台只显示 INFO 及以上，减少干扰
‘class‘: ‘logging.StreamHandler‘,
‘formatter‘: ‘verbose‘,
},
# 文件输出：自动轮转
‘file‘: {
‘level‘: ‘DEBUG‘, # 文件记录所有 DEBUG 级别的细节
‘class‘: ‘logging.handlers.RotatingFileHandler‘,
‘filename‘: ‘my_app.log‘,
‘maxBytes‘: 10 * 1024 * 1024, # 10 MB
‘backupCount‘: 5, # 保留 5 个备份文件
‘formatter‘: ‘verbose‘,
‘encoding‘: ‘utf-8‘,
},
},
‘loggers‘: {
‘my_app‘: {
‘handlers‘: [‘console‘, ‘file‘],
‘level‘: ‘DEBUG‘,
},
},
}
logging.config.dictConfig(LOGGING_CONFIG)
logger = logging.getLogger(‘my_app‘)
# 模拟日志生成
for i in range(100):
logger.info(f‘Processing item {i}‘)
logger.debug(f‘Detailed debug info for item {i}‘)
代码解读：
- maxBytes=10MB：当日志文件达到 10MB 时，它会自动关闭并重命名为 INLINECODEad672db6，然后创建一个新的 INLINECODEdb8c2577。
- backupCount=5：这确保了我们最多保留 5 个历史文件（例如 INLINECODE9619a97a 到 INLINECODEa62beebf）以及一个当前文件。超过这个数量的旧文件会被自动删除。
- 分级记录：注意我们将控制台的级别设为 INLINECODE9a20ae1d，而文件的级别设为 INLINECODEf575a678。这是一个非常实用的最佳实践——用户在屏幕上只看重要的信息，而开发者在文件中查证所有细节。
2026 年最佳实践：让 AI 更懂你的日志（结构化日志）
随着我们进入 AI 辅助编程的时代，传统的文本日志已经不够用了。我们需要结构化日志（JSON 格式）。为什么？因为当你使用 Cursor、Copilot 或自建的 AI Agent 分析日志时，它们无法轻易解析纯文本，但可以完美理解 JSON 数据。
让我们看一个如何将日志输出为 JSON 格式，并同时满足控制台可读性和机器可解析性的现代方案。这需要引入 python-json-logger 库（如果你在 2026 年，这可能已经在标准库中了，但现在我们还是假设需要安装它）。
场景： 我们希望在控制台看到彩色文本，但在文件中保存纯 JSON，以便 Elasticsearch 或 AI Agent 直接索引。
import logging
import logging.config
import json
from datetime import datetime
# 自定义一个 JSON 格式化器
class JsonFormatter(logging.Formatter):
def format(self, record):
log_record = {
"timestamp": datetime.utcnow().isoformat(),
"level": record.levelname,
"logger": record.name,
"message": record.getMessage(),
"module": record.module,
"line": record.lineno
}
# 如果有异常信息，也加入 JSON
if record.exc_info:
log_record["exception"] = self.formatException(record.exc_info)
return json.dumps(log_record)
LOGGING_CONFIG_MODERN = {
‘version‘: 1,
‘disable_existing_loggers‘: False,
‘formatters‘: {
‘text‘: { # 人类可读格式
‘format‘: ‘%(asctime)s [%(levelname)s] %(name)s: %(message)s‘
},
‘json‘: { # 机器可读格式
‘()‘: JsonFormatter, # 直接引用上面的类
},
},
‘handlers‘: {
‘console‘: {
‘level‘: ‘INFO‘,
‘class‘: ‘logging.StreamHandler‘,
‘formatter‘: ‘text‘, # 控制台保留文本，方便开发
},
‘file_json‘: { # 文件使用 JSON
‘level‘: ‘DEBUG‘,
‘class‘: ‘logging.FileHandler‘,
‘filename‘: ‘app_structured.log‘,
‘formatter‘: ‘json‘,
‘encoding‘: ‘utf-8‘,
},
},
‘loggers‘: {
‘AI_App‘: {
‘handlers‘: [‘console‘, ‘file_json‘],
‘level‘: ‘DEBUG‘,
},
},
}
logging.config.dictConfig(LOGGING_CONFIG_MODERN)
logger = logging.getLogger(‘AI_App‘)
logger.info("系统启动完成", extra={"user_id": 123, "ip": "192.168.1.1"}) # extra 可以添加自定义字段
try:
1 / 0
except ZeroDivisionError:
logger.error("发生除零错误")
这为什么重要？
在 2026 年，我们不仅是写代码给别人看，更是写给“系统”看。当你的 AI 辅助工具试图帮你排查问题时，面对纯文本日志它会很吃力，但面对 JSON 日志，它可以立即查询 INLINECODE9ef3b2cc 或者提取 INLINECODE407c22f5 来追踪用户路径。这就是可观测性的基础。
常见陷阱与解决方案（基于真实踩坑经验）
在实现双输出日志时，你可能会遇到一些“坑”。让我们提前预演一下。
1. 日志重复打印
- 现象： 你发现屏幕上或者文件里，每一条日志都出现了两次甚至更多次。
- 原因： 这通常是因为日志传播。你将日志记录给了一个 Logger，它的父 Logger（通常是 Root Logger）也有一个处理器。这样消息就会被处理两次（自己一次，父级一次）。
- 解决： 在你的自定义 Logger 配置中，设置
‘propagate‘: False，或者避免在 Root Logger 上添加重复的 Handler。
2. 多进程环境下的日志冲突
- 现象： 如果你使用
multiprocessing，多个进程同时尝试写入同一个日志文件可能会导致内容混乱或报错。 - 解决： 这是一个经典的并发问题。对于简单场景，可以使用
ConcurrentLogHandler（第三方库）。对于复杂场景，通常建议每个进程写自己的文件，或者更现代的做法是：不要写文件。将所有日志推送到 stdout，由 Kubernetes 或 Docker 的日志驱动程序负责收集和落盘。这也是云原生的最佳实践。
3. 性能考虑与惰性日志
- 建议： 日志 I/O 是昂贵的操作。在性能极度敏感的循环中，请务必检查日志级别。例如，在构建一个复杂的调试字符串之前，先检查
if logger.isEnabledFor(logging.DEBUG):。 - 代码示例：
# 不好的做法：即使不记录，也会进行字符串拼接和计算
logger.debug(f"Processing complex data: {expensive_function()}")
# 好的做法：只有在需要记录时才计算
if logger.isEnabledFor(logging.DEBUG):
logger.debug(f"Processing complex data: {expensive_function()}")
虽然现代 Python 的 logging 模块内部已经做了优化（比如 %s 格式化是惰性的），但在涉及函数调用时，显式检查依然能救命。
总结与后续步骤
通过本文，我们不仅学习了如何使用 INLINECODEb04ba483 快速搭建原型，还深入到了 INLINECODE436ad897 的专业配置领域，甚至探索了 2026 年必不可少的结构化日志技术。我们现在可以构建一个既能实时反馈、又能持久存储、甚至还能自我管理、被 AI 理解的日志系统了。
核心要点回顾：
- 使用 handlers 列表是实现双输出的核心秘诀。
- dictConfig 结构清晰，适合大型项目和配置文件管理，支持外部加载。
- 日志轮转 是生产环境不可或缺的安全气囊，防止磁盘被写满。
- 分级输出（控制台 INFO，文件 DEBUG）能极大地提升开发体验。
- 结构化日志 是未来趋势，它让日志成为可观测性的基石，而非仅仅是文本。
下一步建议：
在你的下一个项目中，尝试创建一个 INLINECODEe5e4e9a2 模块，利用 INLINECODEab3c539d 初始化日志系统，并尝试引入 JSON 格式化。同时，尝试使用像 structlog 这样的现代库来简化这一过程。让我们不仅仅是在写代码，而是在构建可观测的、智能的系统。希望这些技巧能帮助你写出更健壮、更易调试的代码！