log4j 和commons-logging 两个日志组件

本文介绍了Apache基金会开发的日志记录API commons-logging与log4j,讲述了二者的关系及如何配合使用。详细展示了log4j的配置过程,包括配置文件的设置与不同类型的appender应用。

一、 简介

commons-logging和log4j 是用来记录日志文件的一套apache基金会开发的api,提供一个统一的日志接口,简单了操作,同时避免项目与某个日志实现系统紧密耦合。

commons-logging和log4j 的关系
- log4j是专门处理日志文件的。不需要commons-logging,log4j也可以运行。
- commons-logging用来管理log4j,commons-logging也可以配合别的日志系统一起使用。
- commons-logging自身的日志功能平常弱(只有一个简单的SimpleLog),所以一般不会单独使用它一般来说,我们是两者配使用的。

二、下载与环境配置

1、log4j下载链接&& commons-logging下载链接
将解压得到的jar包复制到web-inf/lib目录下

2、配置文件(.properties文件 || .xml文件)
这里写图片描述

    log4j.rootLogger=debug,A1,R  

    log4j.appender.A1=org.apache.log4j.ConsoleAppender
    log4j.appender.A1.Threshold=debug
    log4j.appender.A1.target=System.out
    log4j.appender.A1.layout=org.apache.log4j.PatternLayout
    log4j.appender.A1.layout.ConversionPattern=%d -%m%n

    log4j.appender.R=org.apache.log4j.FileAppender
    log4j.appender.R.Threshold=error
    log4j.appender.R.ImmediateFlush=true
    log4j.appender.R.File=e:\\HelloLog4j.log
    log4j.appender.R.Append=true
    log4j.appender.R.layout=org.apache.log4j.PatternLayout
    log4j.appender.R.layout.ConversionPattern=%d -%m%n

rootLogger的第一个数值是用来定义输出的级别OFF、FATAL、ERROR、WARN、INFO、DEBUG、ALL,A1和R都是日志的输出,这个可以有多个。

appender类型可以有下面几种
- org.apache.log4j.ConsoleAppender(控制台)
- org.apache.log4j.FileAppender(文件)
- org.apache.log4j.DailyRollingFileAppender(每天产生一个日志文件)
- org.apache.log4j.WriterAppender(将日志信息以流格式发送到任意指定的地方)
参考链接

三、log4j 和commons-logging的使用

这里写图片描述

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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