python日志性能关键在正确用法：用占位符格式化、显式判断级别、避免耗时操作；选合适handler并缓冲；压测验证真实开销；结构化日志需延迟序列化或用structlog。
Python日志本身开销不大，但不当使用（如高频打印、未关闭调试日志、字符串拼接写法）会显著拖慢程序，尤其在高并发或循环中。关键不是“用不用日志”，而是“怎么用才不影响性能”。
日志级别和条件判断要配合好
即使日志级别设为 WARNING，如果写成 logger.debug("value=" + str(x) + ", time=" + str(time.time()))，字符串拼接和函数调用仍会执行，造成无谓开销。正确做法是让格式化延迟到真正需要输出时：
- 用占位符写法：
logger.debug("value=%s, time=%s", x, time.time())—— 参数只在日志被启用且匹配级别时才求值 - 加显式判断（适合复杂逻辑）：
if logger.isEnabledFor(logging.DEBUG): logger.debug(...) - 避免在日志语句里调用耗时函数（如
get_stack_info()、数据库查询等）
Handler选择和配置直接影响吞吐量
默认的 StreamHandler（输出到终端）在高频率下会成为瓶颈；FileHandler 在无缓冲/同步写入时也较慢。可优化方向：
- 生产环境禁用
StreamHandler，只保留RotatingFileHandler或TimedRotatingFileHandler - 开启行缓冲或块缓冲：
FileHandler(..., buffering=8192) - 考虑异步方案：用
QueueHandler + QueueListener把 I/O 移出主线程 - 避免在每个请求/循环中重复创建 Handler（应复用 Logger 和 Handler 实例）
用真实场景做开销压测，别只看单条耗时
单次 logger.info("ok") 可能只花 0.01ms，但 1 万次/秒持续打日志，I/O 累积、锁竞争、GC 压力就会暴露。建议这样评估：
立即学习“Python免费学习笔记（深入）”；
- 用
timeit测单条语句（对比不同写法）：timeit.timeit(lambda: logger.debug("a=%s", 42), number=100000) - 在服务中注入日志压力测试：模拟峰值流量下开启 DEBUG 日志，观察 CPU、IO wait、响应延迟变化
- 用
logging.config.dictConfig动态开关日志级别，无需重启即可验证影响 - 结合
py-spy或cProfile查看日志相关函数是否进入热点（如Formatter.format、FileHandler.emit）
结构化日志和 JSON 输出需谨慎
用 json.dumps 打结构化日志很常见，但序列化本身有开销，尤其含嵌套对象或大字典时：
- 避免直接传
logger.info(json.dumps(data))—— 序列化总被执行 - 改用支持结构化的库（如
structlog），它默认延迟序列化，并提供绑定上下文能力 - 若必须用标准库，至少封装一层：
if logger.isEnabledFor(logging.INFO): logger.info(json.dumps(data)) - 对高频字段（如 request_id、user_id），优先用 LoggerAdapter 绑定，而非每次手动塞进 message
