Python自动化脚本日志监控需规范初始化、按模块创建独立Logger、实施轻量运行时监控并定期清理归档。统一在main.py配置logging，用TimedRotatingFileHandler按天轮转，格式含时间、模块名、行号、级别和消息；各模块用logging.getLogger(__name__)获取专属logger，关键操作打点、异常记录带exc_info=True；通过tail/grep查错、记录启动/退出时间、超时检测及ERROR频次告警实现基础监控；保留7天日志并可压缩归档，严禁print替代logger、混用级别或泄露敏感信息。
在Python自动化脚本项目中，日志监控不是“加个print就行”，而是要能记录关键行为、捕获异常、区分级别、方便排查，还能长期留存和快速检索。核心是用好logging模块，并搭配合理配置与轻量级监控手段。
一、规范初始化日志系统
避免在每个文件里重复写logging.basicConfig()，统一在主入口（如main.py）中配置一次。重点设好输出目标、格式、默认级别和编码：
- 日志写入文件（而非仅控制台），推荐按天轮转：
RotatingFileHandler或TimedRotatingFileHandler - 格式包含时间、模块名、行号、级别和消息，例如：
%(asctime)s [%(name)s:%(lineno)d] %(levelname)s - %(message)s - 设置
level=logging.INFO，调试时临时调为DEBUG；生产环境慎用WARNING以下级别，避免日志爆炸 - 文件编码指定
encoding='utf-8'，防止中文乱码
二、按模块/功能创建独立Logger实例
不要全项目共用logging.getLogger()返回的root logger。每个模块应获取专属logger，便于分类过滤和定向调试：
- 在模块顶部写
logger = logging.getLogger(__name__)，自动获得包路径名（如tasks.download） - 关键操作打点：任务开始/结束、API调用前后、数据处理前后的状态、重试次数等，用
logger.info()或logger.debug() - 异常必须捕获后记录：
logger.error("请求失败", exc_info=True)，exc_info=True会打印完整堆栈
三、简单但有效的运行时监控手段
不依赖ELK或Prometheus也能做基础监控。适合中小项目：
立即学习“Python免费学习笔记（深入）”；
- 定期检查日志文件末尾：用
tail -n 50 app.log | grep ERROR（Linux/macOS）或PowerShell命令快速扫错 - 脚本启动时写一条
INFO日志标记启动时间；退出前写一条INFO记录运行时长和结果摘要 - 对关键定时任务，在日志中记录上一次成功执行时间，下次启动时比对是否超时（比如超过2小时没跑，可能进程挂了）
- 可加一行轻量逻辑：每100条日志统计一次
ERROR数量，超阈值时发邮件或写告警文件（用smtplib或本地touch alert.flag）
四、日志清理与归档建议
自动化脚本常长期运行，日志不清理会占满磁盘：
- 使用
TimedRotatingFileHandler按日切分，保留最近7天日志：backupCount=7 - 日志文件名含日期，如
app.2024-06-15.log，方便人工定位某天问题 - 若需压缩归档，可在每日切分后调用
shutil.make_archive()打包旧日志，再os.remove()原文件 - 避免在脚本里做复杂清理逻辑——用系统cron或Windows任务计划单独跑一个清理脚本更稳妥
基本上就这些。不复杂但容易忽略的是：日志级别别混用、别用print代替logger、别让日志内容含敏感信息（如密码、token）。做好这三点，日志就能真正成为你脚本的“黑匣子”。
