关于logging.DEBUG 很好的讲解

最新推荐文章于 2025-07-17 14:54:03 发布
转载 最新推荐文章于 2025-07-17 14:54:03 发布 · 3.1k 阅读 · 0

该博客对logging.DEBUG进行了很好的讲解，虽未给出具体内容，但推测围绕其在信息技术领域的使用、功能、作用等方面展开，能帮助开发者更好理解和运用该调试工具。
http://www.jb51.net/article/52022.htm
codechelle
关注
Python常用模块 之 logging：日志模块
孤寒者的博客
08-02 17万+
Python常用模块 之 logging：日志模块
Django 4.x Logging 日志使用示例和配置方法
Mr数据杨
11-04 3万+
大家好，我是Mr数据杨，日志就像《三国演义》中的战报，通过不同的“日志级别”，可以快速了解整个程序的运行状况，这如同诸葛亮一样，通过高瞻远瞩的眼光，捕获战况的每一个变化。想象一下，如果没有设定好“默认配置”，那么可能会陷入被无数战报淹没的困境，如同刘备在长坂坡面对曹军的围攻，因为缺乏整体战况的了解，陷入了被动局面。而如果像周瑜那样，提前做好“默认配置”就能如同赤壁之战般，即使面对数倍于己的曹军，也能够灵活应对，最终取得胜利。再来谈谈“logging参数说明”。
python logging 日志打印
咕噜咕噜
07-14 2761
日志 日志是跟踪软件运行时所发生的事件的一种方法。软件开发者在代码中调用日志函数，表明发生了特定的事件。事件由描述性消息描述，该描述性消息可以可选地包含可变数据（即，对于事件的每次出现都潜在地不同的数据）。事件还具有开发者归因于事件的重要性；重要性也可以称为级别或严重性。 logging提供了一组便利的函数，用来做简单的日志。它们是 debug()、 info()、 warning()、 error() 和 critical()。 logging函数根据它们用来跟踪的事件的级别或严重程度来命名。.
Python日志库logging总结-可能是目前为止将logging库总结的最好的一篇文章
大帅的博客
06-13 967
Python的longing模块就是为了记录日志使用的，而且是线程安全的，以为着使用它完全不用担心因日志模块的异常导致程序崩溃。 1. logging模块的简单使用 import logging logging.basicConfig( level=logging.DEBUG, format="%(asctime)s %(filename)s[line:%(lineno)d] %(levelname)s %(message)s", # 日志的格式 datefmt=" %Y-%
Python之日志处理（logging模块）详解
专业资深测试者，多年质量管理经验，浪迹网游、金融、房产、招聘及海外行业多年，CDSN百万原创阅读，公众号500+原创文章，提倡测试左移、风险、越权、假设、探索测试，喜欢用抽象思维模式思考和技术探讨，自动化、性能、安全测试实施者，感谢关注！
04-10 2218
logging模块简介 logging模块是Python内置的标准模块，主要用于输出运行日志，可以设置输出日志的等级、日志保存路径、日志文件回滚等；相比print，具备如下优点 1、可以通过设置不同的日志等级，在release版本中只输出重要信息，而不必显示大量的调试信息 2、print将所有信息都输出到标准输出中，严重影响开发者从标准输出中查看其它数据；logging则可以由开发者决...
使用logging模块debug方法来调试代码
Nana8874的博客
07-28 3683
使用logging模块debug方法来调试代码
Python的logging模块（日志、DEBUG、INFO、WARNING、ERROR、CRITICAL）
Le0v1n 的博客
10-16 1万+
Python的logging模块（日志、DEBUG、INFO、WARNING、ERROR、CRITICAL）
日志管理logging的使用
HJ_blog
08-24 1819
logging使用详解
python logging日志模块的使用
菜鸡小白的成长记录
11-07 781
1.日志级别 日志一共分成5个等级，从低到高分别是：DEBUG ,INFO, WARNING ,ERROR, CRITICAL。 DEBUG：详细的信息,通常只出现在诊断问题上 INFO：确认一切按预期运行 WARNING：一个迹象表明,一些意想不到的事情发生了,或表明一些问题在不久的将来(例如。磁盘空间低”)。这个软件还能按预期工作。 ERROR：更严重的问题,软件没能执行一些功能 CRITICAL：一个严重的错误,这表明程序本身可能无法继续运行 这5个等级，也分别对应5种打日志的方法： debug
python3中超级好用的日志模块-loguru模块详解
热门推荐
数据知道的博客
07-21 12万+
一. 使用logging模块时 用python写代码时，logging模块最基本的几行配置，如下： import logging logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(name)s - %(levelname)s - %(message)s') logger = logging.getLogger(__name__) logger.info('this is another debug message') logge
logger.debug
weixin_46573932的博客
04-19 3616
logger.debug
logging.debug() explained in detail
最新发布
captainOO7的博客
07-17 699
本文详细介绍了Python logging模块中debug方法的关键参数及其用法。msg参数支持字符串格式化（%操作符），args作为位置参数插入msg；exc_info参数可自动或手动添加异常堆栈信息；stack_info参数记录当前调用堆栈；stacklevel参数控制日志调用位置的层级；extra参数用于添加自定义上下文信息。本文通过具体示例演示了这些参数的组合使用场景，包括异常处理调试、执行路径追踪以及多线程日志记录等，并指出了常见的使用陷阱（如KeyError）及解决方案。
【Python学习分享】logging日志模块debug简易使用
Ghosque的博客
08-18 4740
前言   Python中logging模块提供了一种追踪代码运行时所发生事件的方法，可以使你更容易创建自定义的消息记录（提醒：尽量不要使用print进行调试），下面将介绍logging模块中debug的简易使用。 DEBUG简易使用 首先使用logging.getLogger()进行配置，参数为文件名，通过logger.setLevel()设置logger的级别，分别为DEBUG、INFO、...
python3:用logging.debug()全面替换print()来调试脚本code
lxy210781的专栏
04-21 9455
通常我们在调试脚本程序时，一般是使用print()来调试，但是一个坏处是：如果我们的脚本程序很长，当调试完成了，我们必须将所有调试的print()注释掉或删除掉，极不方便。这时使用内置logging模块就完全满足我们的要求，是时候在调试时用logging.debug全面替换掉print()了. logging模块定义了下表所示的日志级别，按事件严重程度由低到高排列（注意是全部大写！因为它...
python 通过logging记录INFO和DEBUG记录
TH_NUM的博客
01-10 3583
import shutil import os from itertools import cycle import logging.config from datetime import datetime import json from bokeh.io import output_file, save, show from bokeh.plotting import figure from ...
logging
qq_60841147的博客
11-27 1310
logging通过函数来进行简单的日志配置，设置日志级别(level)、日志格式(format)、时间格式(datefm)、日志输出的目的地等。配置好日志记录器后，就可以在程序中使用不同级别的日志记录方法来记录相应的信息了。根据之前设置的日志级别，如果日志级别设置为INFO，那么只有INFOWARNINGERRORCRITICAL级别的日志会被记录下来，DEBUG级别的日志则会被忽略。
logging调试程序python
s37
06-22 1026
使用logging类记录错误我们可以使用print()来调试程序，但如果到处是print()，想关闭又得一个个去修改。使用logging类，我们可以记录各种级别的错误，通过配置参数，可以控制显示哪些错误记录。错误级别：CRITICAL = 50FATAL = CRITICALERROR = 40WARNING = 30WARN = WARNINGINFO = 20DEBUG = 10NOTSET ...
python中 level debug_python中利用logging包进行日志记录时的logging.level设置选择
weixin_39525865的博客
12-09 834
之前在用python自带的logging包进行日志输出的时候发现有些logging语句没有输出，感到比较奇怪就去查了一下logging文档。然后发现其在设置和引用时的logging level会影响最后的输出。logging包默认对输出分成了6个等级：这里的分值就代表了相应关键字出现的等级高低，NOTSET最低，CRITICAL最高。高等级的语句会覆盖低等级的语句。一般我们用logging的时候会...
python_logging大法，你还在用print debug么
flinjin的博客
05-13 484
logging模块 具有的功能： 1、日志格式的规范 2、操作的简化 3、日志的分级管理 # logging模块的使用 # 第一种普通配置型，该方法简单，但是个性化定制性较差。 # basicConfig 不能将日志即在屏幕打印又在文件中写入。 import logging logging.basicConfig(level=logging.DEBUG,format='%(asctime)s %(filename)s[line:%(lineno)d] %(levelname)s %(message)s',d
基于Python+pytest+requests+Allure+SQL+Logging的自动化测试框架，并给出讲解
04-25
<think>好的，我现在需要帮用户设计一个基于Python的自动化测试框架，使用pytest、requests、Allure、SQL和Logging。首先，我得理清楚各个组件的作用和如何整合它们。 首先，pytest是测试框架的核心，负责管理测试用例的执行。requests用于发送HTTP请求，与API交互。Allure生成漂亮的测试报告，SQL用于数据库的验证，Logging记录测试过程中的信息，方便调试和追踪。 接下来，我要考虑项目结构。通常自动化测试框架需要良好的目录结构，比如config放配置，test_cases放测试用例，utils放工具类，logs存放日志，reports生成Allure报告。还要有conftest.py来配置pytest的钩子函数和fixture。 然后，配置管理很重要，使用config.ini或YAML文件存储数据库连接信息、API基础URL等。这样方便不同环境的切换。比如用configparser读取配置。 日志模块需要设置格式和级别，输出到文件和控制台。使用logging模块，创建logger实例，添加FileHandler和StreamHandler。这样测试执行时的关键步骤和错误都能记录下来。 数据库操作部分，需要连接数据库，执行查询，关闭连接。使用pymysql或sqlite3库，根据配置的信息建立连接，封装查询方法，方便在测试中调用。 HTTP请求封装，利用requests库发送GET、POST等请求，处理响应。可以创建一个ApiClient类，封装各种请求方法，并加入日志记录和异常处理。 测试用例用pytest编写，使用fixture来初始化和清理资源，比如数据库连接、API客户端。参数化测试数据，提高复用性。断言使用pytest自带的assert，或者requests的响应状态码、JSON数据验证。 Allure集成需要在pytest执行时添加参数，生成结果文件，然后通过Allure命令生成HTML报告。添加步骤和描述，让报告更详细。比如用@allure.step装饰器记录操作步骤。 最后，考虑持续集成，比如Jenkins或GitHub Actions，配置自动化测试流程，每次提交代码后自动运行测试并生成报告。 现在，需要检查是否有遗漏的部分，比如异常处理、环境隔离、数据驱动测试等。比如使用pytest的mark功能来标记不同类别的测试，或者参数化测试数据。另外，确保日志和报告能够正确生成，路径设置正确。 可能遇到的问题包括数据库连接失败、请求超时、测试数据清理等。需要在这些地方加入重试机制或清理步骤。比如，每个测试用例执行后关闭数据库连接，避免资源泄漏。 总结下来，整个框架需要模块化，各组件职责分明，便于维护和扩展。然后根据这些思路编写代码示例，并解释各部分的作用。</think>以下是基于Python的自动化测试框架的完整实现方案，包含6个核心模块和最佳实践： ```python # 项目结构 ''' project-root/ ├── config/ # 配置文件 │ ├── config.ini │ └── db_config.yaml ├── test_cases/ # 测试用例 │ ├── __init__.py │ └── test_api.py ├── utils/ # 工具类 │ ├── __init__.py │ ├── logger.py │ ├── db_client.py │ └── api_client.py ├── conftest.py # pytest配置 ├── requirements.txt # 依赖库 ├── logs/ # 日志目录 └── reports/ # 测试报告 ''' # utils/logger.py import logging import os from datetime import datetime def setup_logger(): logger = logging.getLogger("auto_test") logger.setLevel(logging.DEBUG) # 创建logs目录 log_dir = "logs" os.makedirs(log_dir, exist_ok=True) # 文件handler log_file = f"{log_dir}/test_{datetime.now().strftime('%Y%m%d_%H%M%S')}.log" file_handler = logging.FileHandler(log_file) file_handler.setLevel(logging.DEBUG) # 控制台handler console_handler = logging.StreamHandler() console_handler.setLevel(logging.INFO) # 格式化 formatter = logging.Formatter( "%(asctime)s - %(name)s - %(levelname)s - %(message)s") file_handler.setFormatter(formatter) console_handler.setFormatter(formatter) logger.addHandler(file_handler) logger.addHandler(console_handler) return logger logger = setup_logger() ``` ```python # utils/db_client.py import pymysql import yaml from typing import Dict, Any class DBClient: def __init__(self, config_path="config/db_config.yaml"): with open(config_path) as f: config = yaml.safe_load(f) self.connection = pymysql.connect( host=config['host'], user=config['user'], password=config['password'], db=config['database'], cursorclass=pymysql.cursors.DictCursor ) def execute_query(self, query: str) -> Dict[str, Any]: try: with self.connection.cursor() as cursor: cursor.execute(query) result = cursor.fetchall() self.connection.commit() return result except Exception as e: self.connection.rollback() raise e def close(self): self.connection.close() ``` ```python # utils/api_client.py import requests from utils.logger import logger class ApiClient: def __init__(self, base_url): self.base_url = base_url self.session = requests.Session() @logger def get(self, endpoint, params=None): url = f"{self.base_url}{endpoint}" response = self.session.get(url, params=params) response.raise_for_status() return response @logger def post(self, endpoint, data=None, json=None): url = f"{self.base_url}{endpoint}" response = self.session.post(url, data=data, json=json) response.raise_for_status() return response ``` ```python # test_cases/test_api.py import pytest import allure from utils.api_client import ApiClient from utils.db_client import DBClient @allure.epic("API自动化测试") @allure.feature("用户管理模块") class TestUserAPI: @pytest.fixture(scope="class") def api_client(self): return ApiClient("https://api.example.com") @pytest.fixture(scope="class") def db_client(self): client = DBClient() yield client client.close() @allure.story("创建用户") @allure.title("正常创建用户流程") def test_create_user(self, api_client, db_client): test_data = { "username": "test_user", "email": "test@example.com" } # API请求 with allure.step("发送创建用户请求"): response = api_client.post("/users", json=test_data) assert response.status_code == 201 # 数据库验证 with allure.step("验证数据库记录"): result = db_client.execute_query( f"SELECT * FROM users WHERE email='{test_data['email']}'") assert len(result) == 1 ``` 框架核心组件说明： 1. **配置管理**：使用YAML和INI文件存储环境配置，支持多环境切换 2. **日志系统**： - 同时输出到文件和控制台 - 按日期生成日志文件 - 支持DEBUG/INFO等多级别日志 3. **数据库操作**： - 封装通用查询方法 - 自动提交事务 - 异常回滚机制 4. **API客户端**： - 复用Session保持会话 - 内置异常处理 - 自动记录请求日志 5. **测试用例**： - 使用pytest fixture管理资源 - Allure添加测试步骤说明 - 结合API和数据库验证 6. **报告系统**： - Allure生成可视化报告 - 包含测试步骤详情 - 支持历史趋势分析 执行流程： 1. 安装依赖：`pip install -r requirements.txt` 2. 运行测试：`pytest test_cases/ --alluredir=./reports/results` 3. 生成报告：`allure serve ./reports/results`
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值