python logging可通过logger命名空间、extra参数、专属handler和业务filter四维实现业务精度分级：用business.pay等命名标识业务域，extra注入订单号等字段，不同handler路由至kafka/邮件/文件，filter按event_type等条件动态过滤。
Python的logging模块本身不直接支持“业务精度分级”，但可以通过自定义日志级别、处理器（Handler）、过滤器（Filter）和日志格式（Formatter）组合实现多级业务分类输出——关键不在加多少级别，而在让每类业务日志可识别、可路由、可隔离。
用自定义级别标记业务维度
标准日志级别（DEBUG/INFO/WARNING等）反映严重程度，不适合表达业务类型。更有效的方式是：把业务域作为extra参数注入，或用LoggerAdapter自动附加上下文。
- 在关键业务入口处创建带业务标识的logger：
pay_logger = logging.getLogger("business.pay")order_logger = logging.getLogger("business.order") - 利用命名空间天然支持层级过滤，比如
handler.addFilter(logging.Filter("business.pay"))就能只捕获支付相关日志 - 避免硬编码字符串，统一用常量管理业务域名，如
BUSINESS_PAY = "business.pay"
按业务路由到不同输出目标
同一份代码里，支付成功日志写入Kafka，风控异常日志发邮件，订单查询日志存本地JSON文件——靠的是为不同业务logger绑定专属Handler。
- 给
pay_logger配一个KafkaHandler（或封装后的requests.post发送器） - 给
risk_logger配一个SMTPHandler，设置mailhost和toaddrs - 所有Handler共用同一个Formatter，但通过
%(name)s字段区分来源，便于后续解析
用Filter精细控制日志内容粒度
不是所有“支付”日志都要进Kafka。可以写一个业务感知Filter，根据日志内容动态放行：
立即学习“Python免费学习笔记（深入）”；
- 例如：仅当
extra.get("event_type") == "payment_success"时才允许通过 - 或检查
record.msg是否含敏感关键词（如"refund"），触发额外脱敏逻辑 - Filter返回
True表示保留，False则丢弃，比在业务代码里写if判断更解耦
结构化日志 + 业务字段增强可查性
纯文本日志难以聚合分析。推荐用json.dumps输出，把业务字段显式带上：
- 调用
logger.info("Payment confirmed", extra={"order_id": "ORD-789", "amount": 299.0, "channel": "alipay"}) - Formatter中用
%(asctime)s %(name)s %(levelname)s %(order_id)s %(amount)s — %(message)s，或直接输出JSON串 - ELK或Loki接入时，这些字段自动成为可筛选标签，真正实现“按订单查全链路日志”
基本上就这些。核心是把“业务分类”从日志内容里抽离出来，变成logger名称、extra字段、Handler路由和Filter规则四个可控维度——不复杂但容易忽略。
