Flask生产环境不能只靠print或app.logger.info，因默认日志级别为WARNING，INFO级日志被丢弃；Gunicorn多worker下StreamHandler失效，易致日志丢失、乱序、无时间戳；必须显式设level、自配RotatingFileHandler并确保每个worker独立初始化。
Flask生产环境日志为什么不能只靠print或app.logger.info？
因为 app.logger 默认绑定的是 Python 标准 logging 模块，但 Flask 开发服务器启动时会自动添加一个 StreamHandler，而生产环境（比如用 Gunicorn 或 uWSGI 启动）下这个 handler 往往失效或被覆盖——你看到的日志可能丢失、乱序、不带时间戳，甚至根本没写入文件。
更关键的是：app.logger 的日志级别默认是 WARNING，app.logger.info("user login") 这类调用在生产中默认直接被丢弃，连磁盘都不碰。
- 务必显式配置
app.logger.setLevel(logging.INFO)或更高 - 不要依赖 Flask 自动加的 handler，自己配
RotatingFileHandler或TimedRotatingFileHandler - 确保每个 worker 进程都独立初始化 logger（Gunicorn 多 worker 下尤其要注意）
怎么让 Flask 日志输出结构化 JSON 并兼容 Filebeat / Logstash？
ELK 要高效解析日志，前提是每行是一条完整、字段明确的 JSON。Python 原生 logging 不支持直接输出 JSON，得靠第三方 formatter，比如 python-json-logger。
安装后，在日志 handler 上绑定它：
立即学习“Python免费学习笔记（深入）”；
from pythonjsonlogger import jsonlogger import logging <p>handler = logging.handlers.RotatingFileHandler( "/var/log/myapp/app.log", maxBytes=10<em>1024</em>1024, backupCount=5 ) formatter = jsonlogger.JsonFormatter( "%(asctime)s %(name)s %(levelname)s %(message)s %(funcName)s %(lineno)d" ) handler.setFormatter(formatter) app.logger.addHandler(handler)
注意点：
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
-
%(asctime)s输出的是字符串，不是 ISO 时间戳；如需@timestamp字段供 Logstash 解析，建议用%(created)f+ 自定义 formatter 补充iso_timestamp - Filebeat 默认按行读取，所以必须保证每条日志严格单行 JSON，禁用
exc_info=True里的多行 traceback（要展开就得自己序列化成字符串字段） - Gunicorn 的访问日志（access log）和 Flask 应用日志是两套体系，需分别配置并打上不同
log_type字段，否则 Kibana 里混在一起没法过滤
Gunicorn + Flask 部署时，日志为什么总“消失”或重复？
根本原因是 Gunicorn 自身会捕获 stdout/stderr，并把 worker 日志重定向到自己的 --access-logfile 和 --error-logfile；而 Flask 的 app.logger 如果还往 sys.stderr 写，就会被 Gunicorn 截走、再写一次，造成重复；或者因未 flush 导致延迟/丢失。
正确做法是：关闭 Gunicorn 的日志捕获干扰，让 Flask 完全接管日志输出：
- 启动命令里加
--capture-output --disable-redirect-access-to-syslog - 或者更干净的做法：用
--access-logfile -和--error-logfile -把 Gunicorn 日志也导向 stdout，再由 systemd / Docker 日志驱动统一收集，Flask 则专注写结构化应用日志到文件 - 在 Gunicorn 的
post_forkhook 里为每个 worker 单独调用setup_logger()，避免多个进程写同一个文件句柄引发竞争
Logstash filter 怎么安全提取 Flask 日志字段而不崩？
即使日志是 JSON 格式，Logstash 的 json filter 一旦遇到非法 JSON（比如某条日志里 message 字段含未转义换行符），整个事件会被丢弃或卡住。线上环境必须做兜底。
推荐配置节选：
filter {
json {
source => "message"
target => "parsed"
skip_on_invalid_json => true
}
if ![parsed] {
mutate { add_field => { "[parsed][level]" => "INVALID_JSON" } }
}
# 把常见字段提升到顶层，方便 Kibana 聚合
if [parsed][levelname] { mutate { copy => { "[parsed][levelname]" => "level" } } }
if [parsed][name] { mutate { copy => { "[parsed][name]" => "service" } } }
}
关键细节：
- 永远设
skip_on_invalid_json => true，别信“日志都是我写的所以肯定合法” - 不要用
remove_field => "message"直接删原始字段，保留它可用于 debug 错误日志的原始内容 - Flask 的
request.environ或自定义上下文（如 trace_id）需要在 log record 中显式注入，LoggerAdapter是最轻量的方式，比中间件或全局变量更可靠
日志字段对齐和错误容忍度，往往比日志收集本身更花时间调——尤其是当不同服务混用同一套 Logstash pipeline 时，一个服务多打了空格或少了个引号，整条链路就哑火。
