python日志性能优化核心是减少i/o阻塞、延迟格式化、禁用冗余属性、使用缓冲/异步handler及分级采样；错误写法提前格式化字符串，正确应传参由logger按需格式化。
Python 日志性能问题通常出现在高并发、高频写入或未合理配置的场景下，比如日志同步刷盘、格式化开销大、频繁获取调用栈、使用了未缓冲的 Handler。优化核心是：减少 I/O 阻塞、避免无谓字符串拼接、延迟格式化、控制日志级别与采样，并合理利用异步和缓冲机制。
避免在日志语句中提前格式化字符串
直接用 % 或 .format() 拼接后再传入 logger.info()，会导致无论日志是否启用，都执行格式化操作，浪费 CPU 和内存。
- ❌ 错误写法：
logger.debug("User %s logged in at %s" % (user_id, time.time())) - ✅ 正确写法：
logger.debug("User %s logged in at %s", user_id, time.time())
Logger 会检查当前日志级别是否满足输出条件，仅在需要时才执行参数格式化（通过 LogRecord 延迟绑定）。
禁用不必要的日志属性和堆栈追踪
默认的 Formatter（如 %(pathname)s、%(funcName)s、%(lineno)d）需动态获取调用位置，涉及 inspect.stack()，开销显著；exc_info=True 或 stack_info=True 更加重负担。
立即学习“Python免费学习笔记（深入）”；
- 生产环境建议移除
pathname、funcName、lineno等字段，改用轻量标识（如模块名%(name)s） - 仅在调试或错误处理逻辑中显式传入
exc_info，不全局开启 - 自定义 Filter 可进一步按需注入上下文（如 request_id），避免每次日志都调用
getframeinfo
使用带缓冲和异步能力的 Handler
标准 FileHandler 是同步阻塞的，尤其在磁盘慢或日志量大时会拖慢主线程。可通过以下方式缓解：
- 为
FileHandler启用delay=True并配合buffering=8192（或更大），减少系统调用次数 - 用
Logging.handlers.RotatingFileHandler替代普通FileHandler，避免日志轮转时的重命名锁竞争 - 重度场景可引入异步封装：如用
concurrent.futures.ThreadPoolExecutor提交日志写入任务，或采用loguru（内置异步 sink）或structlog+ 队列 + worker 模式
注意：纯 asyncio 应用慎用线程池 Handler，优先选支持 async 的日志库或自建协程安全队列。
分级控制 + 条件采样 + 动态开关
不是所有日志都需要记录，尤其 DEBUG 级别。应结合业务特征做精细化压制：
- 用
logger.setLevel(logging.WARNING)关闭低级别日志，比在每条语句前加if logger.isEnabledFor(DEBUG):更高效 - 对高频日志点（如请求计数、心跳）添加采样，例如每 100 次记 1 条：
if random() logger.debug(...) - 通过信号（
signal）、http 接口或配置中心动态调整 logger 级别，无需重启即可开启/关闭调试日志
对于关键路径，甚至可考虑用 logging.disable(logging.DEBUG) 全局屏蔽，比逐个 Handler 设置更彻底。
日志性能优化不是一劳永逸，而要结合压测数据看瓶颈——先用 logging.setLoggerClass 注入计时器定位慢日志点，再针对性调整。不复杂但容易忽略。