Posted inPython

Tạm biệt print(): Giám sát và gỡ lỗi Python chuyên nghiệp với Pydantic Logfire

Python tutorial - IT technology blog
Python tutorial - IT technology blog

Nỗi ám ảnh mang tên “mò kim đáy bể” trong Log

Bạn đã bao giờ thức đến 2 giờ sáng, căng mắt đọc hàng nghìn dòng log đen trắng trên Terminal chỉ để tìm xem tại sao một API bỗng dưng trả về lỗi 500 chưa? Hồi mới code, mình thường dùng print(). Khi dự án lớn hơn, mình chuyển sang thư viện logging tiêu chuẩn. Nhưng khi hệ thống đạt mức hàng chục nghìn dòng code với các microservices đan xen, cách làm này bộc lộ rõ nhược điểm.

Những dòng text thô (plain text) thường thiếu ngữ cảnh trầm trọng. Bạn biết có lỗi xảy ra, nhưng không biết nó bắt đầu từ đâu, dữ liệu đầu vào lúc đó là gì, hay bước nào trong quy trình đang ngốn thời gian nhất. Đó là lý do chúng ta cần Observability (khả năng quan sát) – một khái niệm cao cấp hơn nhiều so với việc chỉ ghi nhật ký thông thường.

Mới đây, đội ngũ Pydantic đã trình làng Logfire. Đây không chỉ là một thư viện mới, mà là một cách tiếp cận hoàn toàn khác để chúng ta hiểu rõ những gì đang thực sự diễn ra bên trong mã nguồn Python.

Logfire: Không chỉ là Dashboard đẹp mắt

Nhiều người lầm tưởng Logfire chỉ là một giao diện web để xem log. Thực tế, nó được xây dựng trên nền tảng OpenTelemetry – tiêu chuẩn vàng hiện nay về giám sát hệ thống. Điểm khác biệt lớn nhất là Logfire cực kỳ “hiểu” Python và Pydantic.

Thay vì lưu log dạng chuỗi văn bản vô hồn, Logfire lưu trữ Dữ liệu có cấu trúc (Structured Data). Hãy tưởng tượng bạn có thể truy vấn log như truy vấn SQL. Bạn dễ dàng lọc ra tất cả các request của user_id=12345 có thời gian xử lý trên 500ms. Nếu bạn từng dùng Datadog (với mức giá đắt đỏ) hoặc Sentry, bạn sẽ thấy Logfire mang lại trải nghiệm tương tự nhưng mượt mà hơn nhiều cho dân Python.

Thực hành: Từ cài đặt đến Dashboard trong 2 phút

Để trải nghiệm, bạn hãy đăng ký một tài khoản miễn phí tại trang chủ Logfire. Gói Free của họ khá thoải mái cho các dự án cá nhân hoặc startup nhỏ.

Bước 1: Cài đặt

Chạy lệnh sau trong môi trường ảo của bạn:

pip install logfire

Bước 2: Xác thực

Liên kết máy local với server Logfire bằng lệnh:

logfire auth

Bước 3: Code thử nghiệm

Hãy xem cách Logfire xử lý dữ liệu từ Pydantic thông minh như thế nào:

import logfire
from pydantic import BaseModel

logfire.configure(p_name="shipping-service")

class Order(BaseModel):
    order_id: int
    amount: float

def process_order(order: Order):
    with logfire.span("Xử lý đơn hàng {order_id}", order_id=order.order_id):
        logfire.info("Kiểm tra kho cho đơn hàng {id}", id=order.order_id)
        # Giả lập logic xử lý
        if order.amount > 1000:
            logfire.warn("Đơn hàng giá trị cao: {amount}", amount=order.amount)

if __name__ == "__main__":
    my_order = Order(order_id=99, amount=1250.5)
    process_order(my_order)

Mở Dashboard lên, bạn sẽ thấy một biểu đồ phân cấp (Waterfall chart). Bạn có thể click vào từng bước để xem chi tiết toàn bộ object Order mà không cần viết thêm bất kỳ dòng json.dumps() nào.

Sự kết hợp hoàn hảo với FastAPI

Nếu bạn đang dùng FastAPI, Logfire giống như được “đo ni đóng giày” cho framework này. Việc tích hợp chỉ tốn đúng hai dòng code nhưng hiệu quả mang lại thì cực lớn.

from fastapi import FastAPI
import logfire

app = FastAPI()
logfire.configure()
logfire.instrument_fastapi(app)

@app.get("/api/v1/products/{pid}")
def get_product(pid: int):
    with logfire.span("Query Database"):
        # Logfire tự động bắt các thông số HTTP, Trace ID...
        return {"id": pid, "name": "Bàn phím cơ"}

Khi có một request gửi đến, Logfire tự động ghi lại Method, URL, Status Code và đặc biệt là Trace ID. Nếu API của bạn gọi sang một service khác cũng dùng Logfire, bạn có thể theo dõi toàn bộ hành trình của request đó qua các hệ thống khác nhau (Distributed Tracing).

Bài học xương máu: Đừng biến Log thành rác

Dù công cụ có mạnh đến đâu, cách dùng sai vẫn sẽ báo hại bạn. Mình từng gặp trường hợp một bạn dev log toàn bộ nội dung file PDF (dạng base64) vào hệ thống. Kết quả là dung lượng log tăng vọt lên 10GB chỉ sau một đêm, làm treo cả dashboard và tốn một khoản phí không nhỏ.

Dưới đây là 3 quy tắc mình luôn áp dụng:

  1. Log có chọn lọc: Chỉ lưu các điểm rẽ nhánh logic hoặc dữ liệu định danh (ID), tránh log các object quá lớn hoặc dữ liệu nhạy cảm (password, token).
  2. Tận dụng Span: Đừng chỉ dùng .info(). Hãy dùng with logfire.span() để nhóm các hành động liên quan, giúp việc đọc hiểu luồng xử lý nhanh hơn 70%.
  3. Gắn tag thông minh: Sử dụng các tag như env="production" hoặc version="1.2.0" để dễ dàng so sánh hiệu suất giữa các phiên bản code.

Gỡ lỗi thời gian thực (Live Trace)

Tính năng mình tâm đắc nhất là Live Trace. Khi bạn đang code ở máy local, log sẽ đẩy lên dashboard với độ trễ dưới 1 giây. Nó giúp mình phát hiện ngay lập tức các lỗi logic phức tạp mà nếu dùng pdb hay breakpoint truyền thống sẽ mất rất nhiều thời gian để tái hiện.

Lời kết

Logfire đang thay đổi cách chúng ta vận hành ứng dụng Python. Nó giúp việc giám sát không còn là một nhiệm vụ khô khan mà trở thành một trải nghiệm trực quan, đầy thú vị. Nếu bạn muốn nâng cấp quy trình làm việc và giảm bớt áp lực mỗi khi hệ thống gặp sự cố, hãy thử tích hợp Logfire ngay hôm nay. Chúc các bạn có những trải nghiệm coding mượt mà hơn!

Share:
Tags: