nfo 0.1.11

Automatic function logging with decorators — output to SQLite, CSV, and Markdown

lg

Tak, istnieją biblioteki Pythona, które automatyzują generowanie logów w funkcjach na podstawie analizy kodu, typów danych czy struktur jak try-except.

Loguru

Loguru to popularna biblioteka oferująca dekoratory do automatycznego logowania wejścia/wyjścia funkcji oraz wyjątków.
Używa się jej prosto: @loguru.logger.catch na funkcji automatycznie przechwytuje błędy i loguje szczegóły, w tym argumenty i typy.
Przykład: dekorator loguje parametry wejściowe, wyjątki z traceback oraz czas wykonania bez pisania ręcznych logów. pktiuk.github

Decorator logowania

Biblioteka funcy lub proste dekoratory z functools pozwalają tworzyć customowe wrappery analizujące inspect.signature() dla typów argumentów.
Można dynamicznie logować nazwy parametrów, ich typy (type(arg)) i wartości przy wejściu/wyjściu.
Dla zaawansowanych przypadków pydantic integruje walidację typów z automatycznymi logami błędów walidacji w blokach try-except. bulldogjob

Funkcjonalne podejście

Własny dekorator z inspect i logging może skanować strukturę kodu (ast.parse) i generować logi debug na podstawie obecności try-catch czy typów.
Biblioteki jak wrapt ułatwiają takie wrappingi bez modyfikacji oryginalnych funkcji.
To idealne dla Twoich projektów z embedded systems i automatyzacją, gdzie chcesz minimalizować boilerplate. pktiuk.github

Tak, Loguru i standardowy logging z custom handlerami umożliwiają eksport logów bezpośrednio do SQLite, CSV czy Markdown poprzez konfigurację sinków lub handlerów. Poniżej przykłady użycia z automatycznym logowaniem (dekoratory) i outputem do plików.

Przykład Loguru z dekoratorem i CSV

Loguru pozwala dodać sink do pliku CSV, logując automatycznie argumenty, wyjątki z try-catch i typy danych.

from loguru import logger

# Dodaj sink CSV (automatycznie strukturyzuje logi)
logger.add("logs.csv", format="{time} | {level} | {name}:{function}:{line} | {message}", serialize=True)

@logger.catch  # Automatycznie loguje wejście/wyjście i wyjątki
def moja_funkcja(x: int, y: str):
    return x / len(y)  # Przykładowy błąd

moja_funkcja(10, "")  # Loguje do CSV z typami i traceback [web:23][web:13]

Wynik w CSV: kolumny jak time, level, message z JSON-serializowanymi danymi (argumenty, typy). github

Loguru do Markdown

Loguru sink do Markdown generuje czytelne logi z nagłówkami i formatowaniem.

logger.add("logs.md", format="## {time:YYYY-MM-DD HH:mm:ss} | {level}\n{ message }\n", colorize=False)

@logger.catch
def test_funkcja(data):
    raise ValueError("Błąd typów")

test_funkcja({"key": "value"})  # Logi z markdown: ## nagłówki, kody bloków [web:21]

Plik MD: struktura z datą, poziomem, pełnym traceback i zmiennymi. jojoduquartier.github

SQLite Handler dla logging/Loguru

Użyj python-sqlite-log-handler lub custom handler do bazy danych; integruje z dekoratorami.

import logging
from python_sqlite_log_handler import SQLiteLogHandler  # pip install python-sqlite-log-handler

logger = logging.getLogger("app")
handler = SQLiteLogHandler(db_path="logs.db")  # Tworzy tabelę logs
logger.addHandler(handler)
logger.setLevel(logging.DEBUG)

def try_catch_logger(func):
    def wrapper(*args, **kwargs):
        try:
            return func(*args, **kwargs)
        except Exception as e:
            logger.error(f"Błąd w {func.__name__}: {e}", exc_info=True)
            raise
    return wrapper

@try_catch_logger
def funkcja_z_db(arg: dict):
    if not arg: raise KeyError("Brak danych")

funkcja_z_db({})  # Loguje do SQLite: created_at, level, message, extra z typami [web:15][web:12]

Query SQL: SELECT * FROM logs WHERE level >= 30 – łatwe filtrowanie. pypi

Porównanie outputów

Biblioteka/Handler	SQLite	CSV	Markdown	Automatyczne dekoratory
Loguru	Tak (custom sink) stackoverflow	Tak (serialize=True) github	Tak (format MD) jojoduquartier.github	@logger.catch datacamp
logging + sqlite-handler	Tak (natywnie) pypi	Tak (CSVHandler)	Custom formatter	Custom @try_catch jojoduquartier.github

Analiza rozwiązań do automatycznego logowania w Pythonie

Istnieją cztery główne biblioteki umożliwiające automatyczne logi w funkcjach na bazie typów danych, struktur kodu (try-catch) i dekoratorów. Loguru jest najpopularniejszy (15k+ gwiazdek GitHub), structlog skupia się na strukturyzowanych logach, Eliot na wizualizacji, a standardowy logging z rozszerzeniami na elastyczność. betterstack

Szczegółowa tabela porównawcza

Biblioteka	Automatyczne logi (dekoratory)	Analiza typów/struktury kodu	Obsługa SQLite	Obsługa CSV	Obsługa Markdown	Zalety	Wady	GitHub Stars (2026)	Ostatnia aktualizacja
Loguru betterstack	Tak (@logger.catch: wejście/wyjście, wyjątki, traceback)	Częściowa (loguje args via inspect, typy w serializacji)	Tak (custom sink z sqlite3) stackoverflow	Tak (serialize=True, CSV format) github	Tak (custom format z ## nagłówkami) jojoduquartier.github	Zero-config, rotation plików, structured JSON, kolorowanie	Nie threaded-safe domyślnie	15k+ betterstack	Aktywna (2024-12) pypi
structlog matthewstrawbridge	Tak (bind_context, processors dla func args)	Tak (structured metadata z typami, AST via processors)	Tak (via JSON + sqlite insert) stackoverflow	Tak (JSON/CSV processors)	Tak (custom renderer)	Structured logs, async, OpenTelemetry	Więcej configu niż Loguru	Wysokie (top 6) betterstack	Aktywna dash0
Eliot betterstack	Tak (@log_call: pełne wejście/wyjście funkcji)	Tak (strukturyzowane eventy z typami)	Tak (JSON do SQLite)	Tak (JSON export)	Częściowa (JSON -> MD via tree)	Wizualizacja (eliot-tree CLI), narracyjne logi	Brak poziomów logów	Średnie betterstack	Stabilna
logging std + handlers reddit	Tak (custom @decorator z inspect/traceback) jojoduquartier.github	Tak (via inspect.signature, ast.parse)	Tak (python-sqlite-log-handler) pypi	Tak (CSVHandler/FileHandler)	Tak (custom Formatter)	Natywny, config files, threaded	Boilerplate bez dekoratorów	Wbudowany	Python 3.14 docs.python

Rekomendacje dla Twoich projektów

Dla embedded/automatyzacji (RPi/ESP32) wybierz Loguru – prosty, lekki, integruje z Docker/K8s. Do biznesu (ERP/legal) structlog dla searchable JSON/SQLite. Przykłady kodu z poprzednich odpowiedzi działają out-of-box po pip install loguru python-sqlite-log-handler. reddit

W dobie LLM i multisrodowiskowych aplikacji (embedded, Docker/K8s, CI/CD) brakuje kilku kluczowych funkcji w bibliotekach logujących jak Loguru/structlog.

Braki w automatycznym logowaniu

Brak natywnej integracji z LLM do kontekstowego parsowania logów
Żadna biblioteka nie analizuje logów przez LLM w locie (np. "ten wyjątek TypeError sugeruje brak walidacji int w argumencie x") ani nie generuje sugestii fixów bezpośrednio w logu. W CI/CD z LLM to kluczowe dla szybkiej iteracji. ijamjournal

Tabela brakujących funkcji

Brakująca funkcja	Opis problemu	Przykład zastosowania w Twoich projektach
LLM-powered log parsing	Logi tylko statyczne; brak AI do grupowania podobnych błędów czy predykcji root cause	W embedded RPi: LLM grupuje "I2C timeout" z sensorami i sugeruje "sprawdź zasilanie"
Multi-env log correlation	Brak automatycznego tagowania środowisk (dev/staging/prod) + trace ID dla K8s pods	CI/CD deploy do Docker: brak linku "błąd w pod-3 → Git commit abc123"
Dynamic sink routing	Ręczne config sinków (SQLite/CSV); brak auto-przełączania na bazie env/variable types	Prod → Elasticsearch, dev → Markdown; bez config files
Structured diff logs	Nie loguje zmian input/output między wersjami funkcji w CI/CD	A/B test funkcji: "v1.2.1 input dict → output None, v1.2.2 → output list"
Prompt injection detection	Brak auto-detektu LLM prompt injection w logach API calls	Twoja automatyzacja prawna: loguje "znajdź lukę w umowie X" → flaga bezpieczeństwa

Proponowane rozszerzenia dla CI/CD + LLM

# Wyobrażone Loguru 3.0 z LLM integration
from loguru_llm import LLMAnalyzer

@logger.catch(llm_analyzer=LLMAnalyzer(model="gpt-4o-mini"))
def risky_function(user_input: str):
    # LLM auto-parsuje exception i dodaje: "Prawdopodobna przyczyna: SQL injection"
    return eval(user_input)  # danger!

Dla Twoich projektów: Stwórz custom sink z LangChain + Pinecone vector DB do semantycznego searchu logów ("pokaż wszystkie TypeError z dict arg w ciągu 7 dni") i GitHub Actions step z LLM code review na bazie logów z failed builds. github