每个Java开发者都写过System.out.println。在开发阶段，它是最直接的调试方式。但在生产环境中，System.out.println是日志治理的灾难——没有级别控制、没有输出格式、无法按需开关、性能开销大。
参考：https://xrzqr.cn/category/travel-advice.html
从System.out.println到规范的日志系统，再到分布式追踪，日志治理的演进反映了软件系统复杂度的增长。
Java日志生态的复杂性常被开发者诟病。java.util.logging、Log4j 1.x、Log4j 2.x、Logback、SLF4J——这些名词让新手困惑。理解它们的关系是日志治理的第一步：SLF4J是门面（Facade），提供统一的API；Logback、Log4j2是实现；应用代码应始终使用SLF4J API，避免直接依赖具体实现。
日志级别的选择是一个工程决策。TRACE是最细粒度的调试信息，DEBUG用于开发阶段的诊断，INFO记录关键的业务节点，WARN提示潜在问题但不影响运行，ERROR记录错误但可能被自动恢复，FATAL记录致命错误。生产环境的日志级别通常设为INFO或WARN，DEBUG和TRACE在排查问题时动态开启。
参考：https://xrzqr.cn/category/disaster-warning.html
日志内容的设计需要遵循"可操作"的原则。好的日志应该告诉读者：发生了什么（明确的事件描述）、发生在哪里（类名、方法名）、涉及的上下文（用户ID、订单号、请求ID）、严重程度（日志级别）。坏的日志是"进入方法XXX"或"处理完成"这类没有上下文的信息。
一个实用的模式是：在系统入口处生成唯一的请求ID（traceId），在调用链中传递这个ID，在每条日志中输出traceId。当用户报告问题时，根据traceId可以检索出完整的请求链路，快速定位问题。MDC（Mapped Diagnostic Context）是SLF4J提供的机制，用于在日志上下文中存储traceId。
日志中的敏感信息是一个常见的安全问题。密码、令牌、信用卡号、个人身份信息不应写入日志。即使是在DEBUG级别，也不应该。一种做法是在toString()方法中脱敏敏感字段；另一种做法是使用日志框架的过滤器，自动识别和掩码敏感信息。
日志的性能影响常被忽视。日志框架的异步Appender可以显著降低日志写入对业务线程的影响；但异步也可能导致应用崩溃时丢失最后的日志。需要在性能和可靠性之间权衡。日志消息的构建也有成本——检查日志级别可以避免不必要的字符串拼接，如if(log.isDebugEnabled()){ log.debug(...) }。
日志的存储和检索在生产环境中是独立的问题。ELK栈（Elasticsearch、Logstash、Kibana）是常见的日志聚合方案；Loki（Grafana）是轻量级的选择；云服务商的日志服务（如阿里云SLS、AWS CloudWatch）也提供了托管的解决方案。选择哪种方案取决于规模、预算和团队能力。
参考：https://xrzqr.cn/category/weather-science.html
日志是监控的基础。通过解析日志，可以计算请求量、错误率、响应时间分布等指标；可以设置告警规则（如"1分钟内出现10次ERROR"）；可以进行异常聚合，识别频繁出现的错误模式。但日志不是万能的——对于高频指标，使用Metrics（如Micrometer）更合适；对于调用链追踪，使用Tracing（如Jaeger）更合适。这三者（Logging、Metrics、Tracing）构成可观测性的三大支柱。
分布式系统让日志治理变得更复杂。一个请求可能经过多个服务，每个服务产生自己的日志。如果没有统一的traceId，几乎不可能将一个请求的完整链路拼接起来。OpenTelemetry是解决这个问题的开放标准，它提供了统一的API和SDK，用于生成、传播和收集可观测性数据。
日志治理的终极目标是：当系统出现问题时，能够快速找到原因。这个目标听起来简单，但在实践中需要持续优化——添加缺少的日志、移除噪音日志、调整日志级别、改进日志格式。日志治理不是一个"做完"的项目，而是一个持续演进的过程。
对于Java开发者来说，日志治理是一项基础但重要的能力。它不像设计模式那样"高级"，但它的好坏直接影响故障排查的效率。一个团队如果能在日志上多花一些心思，就能在线上故障时少熬很多夜。
参考：https://xrzqr.cn
