运行一个项目,却在另一个项目中提示错误信息或打印log日志

问题描述:运行一个项目,却在另一个项目中提示错误信息或打印log日志

具体如下图,运行的这个项目,却什么都没有打印

却打印在了另一个项目中,如下图;

解决方法,右侧方框内选择第一个(选择 Show only selected application),如下图:

 

更多好内容戳下面:

https://blog.csdn.net/wuqingsen1

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
yog-log 是 Node Log 统计方案,是yog框架的log统计模块,支持间件或者单独使用等方式,兼容ODP日志格式与配置。关于ODP的日志方案调研可查看此文档. 统计日志类型包括: server日志 access_log: web访问日志,按小时分日志 error_log: web错误日志,按小时分日志 访问日志统计方式为请求返还才触发。 应用日志 每个app有各自独立的日志日志名为app的名称,例如demo.log和demo.log.wf。 可配置每个app是否使用独立的子目录存放自身日志,例如demo/demo.log。 可配置每个app是否按小时切分日志。 可配置每个app的日志级别。 对于不属于任何app的node.js程序,日志名为unknown.log。 快速开始 1 在yog的config.json添加此配置   "yogLogger": {             "enabled": true,             "priority": 50,             "module": {                 "name": "yog-log",                 "arguments": [                     {                         "level" : 16, //线上一般填4,参见配置项说明                         "app": "app_name", //app名称,产品线或项目名称等                         "log_path": "path:./data/log"//日志存放地址                     }              ]       }  } 填写此配置之后yog-log就开始统计访问日志。 2 调用接口统计应用日志 router层统计日志 router层推荐使用emit方式触发log事件,避免在每个文件都require yog-log try{     //do something }catch(e){     res.emit('log',{'stack':e,'errno':120,'msg' :'error happened!'}, 'warning'); //推荐方式     //or res.emit('log',{'stack':e});//日志等级不写默认为notice     //or res.emit('log','error!');//只写字符串不解析错误堆栈 } model等没有res的地方 使用getLogger方法获取到日志模块实例,然后调用接口统计日志。 var YLogger = require('yog-log'); var logger = YLogger.getLogger();  //默认通过domain获取,单独使用请传递 configlogger.log('warning','msg'); //or logger.warning('msg'); 日志初始化配置项 配置项均有默认值,理论上不需要配置也能工作。推荐设置配置有:level、app、log_path 三项。 配置项 默认值 说明 app unknown app名称,推荐填写 format 见下 默认应用日志格式 format_wf 见下 默认的应用日志warning及fatal日志格式 level 16 log日志级别,高于此级别的日志输出 auto_rotate 1 是否自动切分 use_sub_dir 1 日志是否在二级目录打印,目录名为 APP_NAME log_path 插件安装地址/log 日志存放目录,注意需要设置 data_path 插件安装地址/data 格式数据存放的目录,可不用设置 is_omp 0 是否开启omp日志,如果不接入omp,建议置为2 debug 0 是否开启omp日志,如果不接入omp,建议置为2 默认`format`: %L: %t [%f:%N] errno[%E] logId[%l] uri[%U] user[%u] refer[%{referer}i] cookie[%{cookie}i] %S %M 默认的`format_wf `: %L: %{%m-%d %H:%M:%S}t %{app}x * %{pid}x [logid=%l filename=%f lineno=%N errno=%{err_no}x %{encoded_str_array}x errmsg=%{u_err_msg}x] 应用日志等级 日志等级 数据编号 统计说明 FATAL 1 打印FATAL WARNING 2 打印FATAL和WARNING NOTICE 4 打印FATAL、WARNING、NOTICE(线上程序正常运行时的配置) TRACE 8 打印FATAL、WARNING、NOTICE、TRACE(线上程序异常时使用该配置) DEBUG 16 打印FATAL、WARNING、NOTICE、TRACE、DEBUG(测试环境配 response.emit(name,obj,level) 在router层使用emit方式可以避免每个文件都引入logger和获取实例。参数说明: name :日志事件名称,固定为'log' obj: string或者object格式。如果是string,认为是错误消息。如果是object,请认为是详细信息。正确格式为{'stack':e,'msg':'msg','errno':'010'},分别代表错误堆栈、错误消息、错误码。错误消息如果不填将使用错误堆栈的消息。 level : 日志等级字符串,见上。不区分大小写,不写默认为notice 如下所示: res.emit('log',{'stack':e,'errno':120,'msg' :'error happened!'},'warning'); getLogger(config) 当框架接收请求时,yog-log新建一个实例,并保存到domain,确保单次请求流程调用的getLogger获取到的是同一个实例。 如果单独使用log不经过请求, getLogger新建一个实例,此时应当传递config配置参数。 log(level,obj) 提供统一的log方法打印日志。参数说明同response.emit。另外针对各个应用日志等级提供了相对应的方法。 请确保使用快捷方法时名称准确,否则程序将报错。 fatal   :  logger.fata(obj) warning : logger.warning(obj) notice : logger.notice(obj) trace : logger.trace(obj) debug : logger.debug(obj) 注意 : logger为通过getLogger获取到的日志模块实例 。 自定义错误消息 如果想在日志填写自定义的日志字段用于追查错误,请在obj加入custom对象,然后按照键值对应放在custom。如下所示:  //router层  res.emit('log',{    'stack':e, //错误堆栈    'errno':120,  //错误码    'msg' :'error happened!',  //错误消息    'custom':{'key1' :'value1','key2':'value2'} //自定义消息  });   //其他地方  logger.log('warning', {    'stack':e, //错误堆栈    'errno':120,  //错误码    'msg' :'error happened!',  //错误消息    'custom':{'key1' :'value1','key2':'value2'} //自定义消息  }); 注意custom字段默认只在warning和fatal日志展现 生成的错误日志类似于下面的格式。其可以看到custom字段已自动添加到日志: WARNING: 07-03 16:44:55 yd * - [logid=868855481 filename=D:\fis\test\models\doc.js lineno=25 errno=120 key1=value1 key2=value2 errmsg=error happened!] Debug支持 处于debug模式下Log将在控制台输出错误日志,并根据错误日志类型显示不同的颜色,方便开发人员调试(debug模式下依旧日志到文件)。有两种方法开启debug模式: 开发时 :yog的config.json的yogLogger arguments添加参数debug : 1 即开启debug模式 线上 : 无论在线上还是线下都可以在url添加query参数_node_debug=1 开启debug模式 日志格式配置 yog-log兼容ODP支持灵活的日志格式配置,以满足不同系统对日志的格式要求。如接入OMP时warning日志格式配置: %L: %{%m-%d %H:%M:%S}t %{app}x * %{pid}x [logid=%l filename=%f lineno=%N errno=%{err_no}x %{encoded_str_array}x errmsg=%{u_err_msg}x] 除非特殊情况,不建议随意修改日志格式配置。 格式配置方法如下: 字段 描述 %% 百分比字符串 %h name or address of remote-host %t 时间戳,支持自定义格式如%{%d/%b/%Y:%H:%M:%S %Z}t %i HTTP-header字段 %a 客户端IP %A server address %C 单个或全部cookie %D 请求消耗时间/ms %f 物理文件名称 %H 请求协议 %m 请求方法 %p 服务端端口 %q 请求query %U 请求URL %v HOSTNAME %V HTTP_HOST %L 当前日志等级 %N 错误发生行数 %E 错误码 %l LogID %M 错误消息 %x 内置的自定义数据,有pid、cookie、encoded_str_array等 测试说明 单元测试说明详见此文档 标签:yoglog
【资源说明】 1、该资源包括项目的全部源码,下载可以直接使用! 2、本项目适合作为计算机、数学、电子信息等专业的课程设计、期末大作业和毕设项目,作为参考资料学习借鉴。 3、本资源作为“参考资料”如果需要实现其他功能,需要能看懂代码,并且热爱钻研,自行调试。 基于字符级卷积神经的文情感分析算法源码+项目说明.zip ### C-CNN-for-Chinese-Sentiment-Analysis #### 一个简单的NLP项目(文本情感分析)的flask后端API,修改了全局model load的方式,增加了模型推理的速度,使用nginx搭配Gunicorn启动Flask,使用虚拟环境搭配sh的启动方式,可以直接对model进行一键重启,并有错误日志监控 > 支持一键sh部署,flask配置见gun.py,情感分析属于毕业项目整理的一部分(整个项目为顾客意见挖掘) ## 使用方法 > 1. 首先在服务器上部署虚拟环境 ,假设虚拟环境在/home,cd /home 进入home > 2. 在hoem文件夹使用python3 -m venv v1创建虚拟环境,v1就是虚拟环境的名字,然后使用souce v1/bin/activate加载虚拟环境 > 4. 在虚拟环境下使用pip install -r requirement.txt 安装所需要的库,然后使用chmod +777 restart.sh部署模型的后端 > 5. 使用ip:8000/predict是post的地址,使用python C-CNN-SA-client.py即可模拟请求,注意模型第一次初始化的时间因为需要加载预训练模型,推理速度有些慢,目前单机单线曾运行的正常推理速度在100ms之内,多进程部署继续提速 ## 代码结构:使用前后分离的结构,完全使用Python实现 > 1. C-CNN-SA-server.py表示后端的model api,直接通过get传参的形式进行,直接搭配nginx+Gunicorn部署即可 > 2. C-CNN-SA-client.py表示模型前端的调用,传入用户的UGC内容,然后使用TextCNN的模型进行识别,模型第一次初始化的时间因为需要加载预训练模型,推理速度有些慢,目前单机单线曾运行的正常推理速度在100ms之内,多进程部署继续提速 > 后端启动打印log <div align=center><img src="https://github.com/CarryChang/C-CNN-for-Chinese-Sentiment-Analysis/blob/master/pic/api_time_used.png"></div> > 前端启动打印的结果 <div align=center><img src="https://github.com/CarryChang/C-CNN-for-Chinese-Sentiment-Analysis/blob/master/pic/restful_api.png"></div> > Jupyter notebook 打印的结果 <div align=center><img src="https://github.com/CarryChang/C-CNN-for-Chinese-Sentiment-Analysis/blob/master/pic/result.png"></div> > 本地Pycharm输出的结果 <div align=center><img src="https://github.com/CarryChang/C-CNN-for-Chinese-Sentiment-Analysis/blob/master/pic/client.png"></div> ### 基于字符级卷积神经的文情感分析: 1. 将顾客打分和评论情感进行两极映射,使用数据自动标注和基于弱监督预训练的数据增强方式自动扩充和优化数据集,实验证实了在情感分类,使用本文的字符级卷积神经网络(C-CNN-SA)可以在不依赖分词的情况下,达到的精度和 F 值均高于词级粒度 2. 在字符级向量化分类模型,结果显示卷积神经网络在短文本情感分类效果最好,字符级卷积神经网络在训练速度和效果上优势明显 3. 模型的最后一层改写输出为积极标签的概率,这种输出方式符合情感强度的表达,即输出0.9位这段文字的情感强度,一般大于0.5即视为积极,数字越大,强度越强烈,反则反之,文本分数为0.1的则为消极情感,极性较强

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值