1. 整合Logback,滚动记录+多文件

简介: 本文介绍如何整合Logback实现日志的滚动记录与多文件输出,包含logback-spring.xml配置详解及使用示例,支持控制台、INFO、ERROR、SQL等多级别日志分离,提升项目日志管理效率。


1. 整合Logback,滚动记录+多文件

免费使用

1. 整合Logback,滚动记录+多文件

1.logback-spring.xml

XML

复制代码

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

<?xml version="1.0" encoding="UTF-8"?>

<!--logback日志配置文件

注意事项:

   1.更改对应LOGHOME(可变更为环境变量、指定Windows/Linux路径)

   2.日志打印级别如需更改,直接更改logger里面的即可

   3.sql打印路径为dao路径

使用说明:

   1.在对应文件如:需要打印任务相关:protected final Logger job_logger = LogProxy.getLogger("JOB_LOG");

   2.getLogger("JOB_LOG")里面的name需和logger标签里保持一致

   3.LogProxy引入路径:import com.zhicall.framework.core.common.utils.log.LogProxy;

     (Logger logger = org.slf4j.LoggerFactory.getLogger(loggerName)等效)

启动加载:

   1.SpringBoot默认加载recources路径下名为:logback-spring的文件

   2.手动在springboot配置文件(application.yml/application.properties)加载

   3.按照当前智康在program arguments中指明(可以避免更改多个环境的问题)

-->

<configuration  scan="true" scanPeriod="60 seconds" >

<!-- 1.若是additivity设为false,则子Logger只会在自己的appender里输出,不会在root的logger的appender里输出

       2.若是additivity设为true,则子Logger不止会在自己的appender里输出,还会在root的logger的appender里输出 -->

<property name="ADDITIVITY" value="false"/>

<property name="LEVEL" value="DEBUG"/>

<property name="LOGHOME" value="D://hulog//"/>

<property name="PATTERN" value="%d{yyyy-MM-dd HH:mm:ss.SSS} %X{logChainId} %-5level %logger{50} - %msg%n"/>


<!--输出到控制台-->

<appender name="CONSOLE" class="ch.qos.logback.core.ConsoleAppender">

<filter class="ch.qos.logback.classic.filter.ThresholdFilter">

<level>debug</level>

</filter>

<encoder>

<pattern>${PATTERN}</pattern>

<charset>UTF-8</charset>

</encoder>

</appender>


<!--输出到文件-->

<!-- 时间滚动输出 level为 INFO 日志 -->

<appender name="INFO_FILE" class="ch.qos.logback.core.rolling.RollingFileAppender">

<file>${LOGHOME}/log_info.log</file>

<encoder>

<pattern>${PATTERN}</pattern>

<charset>UTF-8</charset>

</encoder>

<rollingPolicy class="ch.qos.logback.core.rolling.TimeBasedRollingPolicy">

<fileNamePattern>${LOGHOME}/info/log-info-%d{yyyy-MM-dd}.log</fileNamePattern>

<maxHistory>15</maxHistory>

</rollingPolicy>

</appender>


<!-- 时间滚动输出 SQL日志 -->

<appender name="SQL_FILE" class="ch.qos.logback.core.rolling.RollingFileAppender">

<file>${LOGHOME}/sql.log</file>

<encoder>

<pattern>${PATTERN}</pattern>

<charset>UTF-8</charset>

</encoder>

<rollingPolicy class="ch.qos.logback.core.rolling.TimeBasedRollingPolicy">

<fileNamePattern>${LOGHOME}/sql/sql-%d{yyyy-MM-dd}.log</fileNamePattern>

<maxHistory>15</maxHistory>

</rollingPolicy>

</appender>


<!-- 时间滚动输出 level为 ERROR 日志 -->

<appender name="ERROR_FILE" class="ch.qos.logback.core.rolling.RollingFileAppender">

<file>${LOGHOME}/error.log</file>

2.使用示例

2 人点赞

2

油炸小波

2020-06-13 17:51

531

0

举报

分享到:

注册 / 登录 语雀进行评论

1478字

关于语雀使用帮助数据安全服务协议English快速注册

油炸小波

微服务技术栈

搜索Ctrl + J

首页

目录

3.分页

汇总

SpringBoot

使用归纳总结

@Configuration

无标题

SpringBoot使用汇总

@Inherited

1. 整合Logback,滚动记录+多文件

2. 整合切面,参数拦截+过滤

3. 打包

4. 不定参数入参

5.跨域处理

6.鉴权

源码

SpringSecurity

SpringCloud(2024)

SpringCloud(2025)

SpringCloud(2026)

Zookeeper

Dubbo

XXLJob

Arthas

Soul

Activiti

QLExpress

Office

Jenkins

大纲

1.logback-spring.xml

2.使用示例

Adblocker


目录
相关文章
|
前端开发
File和MultipartFile互相转化工具类
File和MultipartFile互相转化工具类
2575 0
|
3月前
|
Cloud Native Ubuntu Linux
云原生
Docker是一个基于Go语言的开源容器化平台,实现“一次镜像,处处运行”。它通过容器技术将应用及其依赖打包,实现高效、轻量的部署与隔离,相比传统虚拟机启动更快、资源占用更少。
197 1
云原生
|
3月前
|
机器学习/深度学习 人工智能 自然语言处理
AI大模型分词器详解
分词器是将文本转为模型可处理数字序列的关键组件。本文详解BPE、WordPiece、SentencePiece三大主流算法原理与优劣,对比其在多语言支持、分词粒度等方面的差异,并提供中英文实战代码示例,助你掌握词汇表构建流程、特殊标记处理及常见面试问题应对策略。
361 1
|
3月前
|
机器学习/深度学习 人工智能
AI大模型位置编码详解
位置编码为Transformer提供序列顺序信息,弥补注意力机制无位置感知的缺陷。主要分为绝对编码(如可学习、Sinusoidal)和相对编码(如RoPE、ALiBi)。RoPE通过旋转矩阵支持长序列,ALiBi以线性偏置增强外推能力。不同方法在长度外推、效率等方面各有优劣,广泛应用于LLaMA、BLOOM等大模型中。
246 0
AI大模型位置编码详解
|
3月前
|
机器学习/深度学习 人工智能 自然语言处理
AI大模型Transformer基础结构
Transformer是2017年提出的基于注意力机制的神经网络,摒弃了传统RNN结构,采用自注意力与多头注意力机制,实现并行化处理和长距离依赖建模。其核心由编码器-解码器架构、位置编码、残差连接和层归一化组成,广泛应用于NLP任务,成为BERT、GPT等模型的基础。
282 0
|
2月前
|
人工智能 前端开发 JavaScript
前端如何借助 AI 工具提升开发效率
本文介绍了前端开发中如何借助AI工具提升效率,涵盖代码生成、数据处理与UI组件自动生成等应用场景,并结合实际案例展示AI在转换复杂数据格式和生成Element-UI表单中的实践效果,帮助开发者减少重复劳动,提高开发速度与准确性。
699 0
|
3月前
|
机器学习/深度学习 算法 关系型数据库
🎮 强化学习
强化学习通过智能体与环境交互,基于状态、动作和奖励学习最优策略。核心方法包括价值迭代、Q-learning、策略梯度及Actor-Critic框架,结合在线/离线学习与同/异策略优化,实现高效决策。
380 0
 🎮 强化学习
|
3月前
|
机器学习/深度学习 人工智能 缓存
AI大模型注意力机制详解
注意力机制是Transformer的核心,实现序列间动态关注。包括自注意力、交叉注意力、多头(MHA)、分组(GQA)、多查询(MQA)及低秩压缩的MLA等变体,平衡效率与性能,广泛应用于大模型优化与推理加速。
234 0
AI大模型注意力机制详解
|
3月前
|
自然语言处理
模型架构篇🏗️ 主流大模型结构
本文系统梳理主流大模型架构:Encoder-Decoder、Decoder-Only、Encoder-Only及Prefix-Decoder,解析GPT、LLaMA、BERT等代表模型特点与应用,并对比参数、上下文长度与优势场景,涵盖中英文大模型发展及面试核心要点。
316 0
|
存储 监控 数据可视化
开发者如何使用日志服务 SLS
【10月更文挑战第17天】开发者如何使用日志服务 SLS
2878 4

热门文章

最新文章