使用日志采样降低开销的核心做法是在日志框架中配置采样策略,通过概率过滤或固定频率丢弃部分日志,从而减少 i/o 和序列化成本。以 logback 为例,可以结合 levelfilter 与自定义的 siftingappender 或直接在 rollingfileappender 前添加基于阈值的过滤器来实现。这种做法会直接导致部分日志丢失,但能显著降低 cpu 占用和磁盘写入压力。若需更细粒度的控制,可引入 logstash-logback-encoder 中的采样器或在应用层封装日志调用逻辑。

Logback 中如何配置基于级别的采样过滤器
在 Logback 中,可以通过 LevelFilter 配合 onMatch 和 onMismatch 动作实现简单的日志过滤,但要实现真正的“采样”(即随机丢弃),通常需要借助第三方扩展或自定义 Appender。这里展示一个基础方案:利用 ThresholdFilter 过滤掉低于 INFO 级别的 DEBUG 日志,这是一种确定性的“采样”,能立即减少约 50%-80% 的日志量(取决于业务中 DEBUG 日志的比例)。

<configuration><appender name="FILE" class="ch.qos.logback.core.rolling.RollingFileAppender"><file>application.log</file><rollingpolicy class="ch.qos.logback.core.rolling.TimeBasedRollingPolicy"><filenamepattern>application.%d{yyyy-MM-dd}.log</filenamepattern></rollingpolicy><encoder><pattern>%date %level [%thread] %logger{10} [%file:%line] - %msg%n</pattern></encoder><filter class="ch.qos.logback.classic.filter.ThresholdFilter"><level>INFO</level></filter></appender><root level="DEBUG"><appender-ref ref="FILE"></appender-ref></root></configuration>
上述配置将 ThresholdFilter 设置为 INFO,意味着所有 DEBUG 级别的日志在到达 Appender 之前就会被丢弃。预期结果是:application.log 文件中只包含 INFO、WARN 和 ERROR 级别的日志。这减少了日志文件的体积和磁盘 I/O 操作。注意,这种方法是确定性的,不是随机的,但它是最简单且无需额外依赖的“采样”方式。
FilePond 是一个 JavaScript 文件上传库,支持通过拖拽、粘贴和 API 方式处理文件、目录、URL 和 Data URI。它包含内置的图像优化功能、异步分块上传功能,并提供了适用于 React、Vue、Angular 和 Svelte 的适配器。
如何实现基于概率的随机日志采样
如果需要真正的随机采样(例如只记录 10% 的 INFO 日志),可以使用 logstash-logback-encoder 库提供的 SamplingPolicy 或自定义 Appender。这里演示一个自定义的 ProbabilisticFilter 思路,它继承自 LevelFilter 并在匹配级别后增加随机判断。

logback.xml
Java免费学习笔记:立即使用
解锁 Java 大师之旅:从入门到精通的终极指南










