扫描二维码
关注或者微信搜一搜：编程智域前端至全栈交流与成长

探索数千个预构建的 AI 应用，开启你的下一个伟大创意：https://tools.cmdragon.cn/

FastAPI与MongoDB日志监控系统整合实战

1. 环境准备与依赖安装

# 安装核心库
pip install fastapi==0.103.1 
pip install motor==3.3.2
pip install pydantic==1.10.7
pip install uvicorn==0.23.2

2. MongoDB异步连接配置

from fastapi import FastAPI, Depends
from motor.motor_asyncio import AsyncIOMotorClient
from pydantic import BaseModel
from datetime import datetime

app = FastAPI()


# MongoDB连接配置
async def get_db():
    client = AsyncIOMotorClient(
        "mongodb://admin:password@localhost:27017",
        maxPoolSize=10,
        minPoolSize=5
    )
    return client.log_db


# 日志数据模型
class LogEntry(BaseModel):
    timestamp: datetime
    level: str  # DEBUG/INFO/WARNING/ERROR
    service: str
    message: str
    metadata: dict = None

3. 核心功能实现

3.1 日志写入接口

@app.post("/logs")
async def create_log(log: LogEntry, db=Depends(get_db)):
    """异步写入日志到MongoDB"""
    log_dict = log.dict()
    result = await db.logs.insert_one(log_dict)
    return {"inserted_id": str(result.inserted_id)}

3.2 聚合管道查询示例

@app.get("/logs/stats")
async def get_log_stats(service: str, db=Depends(get_db)):
    """按服务统计错误日志数量"""
    pipeline = [
        {"$match": {
            "service": service,
            "level": "ERROR",
            "timestamp": {"$gte": datetime(2023, 1, 1)}
        }},
        {"$group": {
            "_id": "$service",
            "error_count": {"$sum": 1},
            "latest_error": {"$last": "$timestamp"}
        }}
    ]
    cursor = db.logs.aggregate(pipeline)
    results = await cursor.to_list(length=100)
    return results

3.3 索引优化实战

# 启动时创建索引
@app.on_event("startup")
async def create_indexes():
    db = await get_db()
    await db.logs.create_index([("timestamp", 1)], name="timestamp_asc")
    await db.logs.create_index(
        [("service", 1), ("level", 1)],
        name="service_level_compound"
    )

4. 性能优化技巧

4.1 批量写入优化

@app.post("/logs/bulk")
async def bulk_insert(logs: list[LogEntry], db=Depends(get_db)):
    """批量插入日志提升写入性能"""
    documents = [log.dict() for log in logs]
    result = await db.logs.insert_many(documents)
    return {"inserted_count": len(result.inserted_ids)}

4.2 查询分页实现

@app.get("/logs")
async def query_logs(
        page: int = 1,
        page_size: int = 50,
        db=Depends(get_db)
):
    """带分页的日志查询接口"""
    skip = (page - 1) * page_size
    cursor = db.logs.find().sort("timestamp", -1).skip(skip).limit(page_size)
    return await cursor.to_list(length=page_size)

5. 常见报错解决方案

5.1 422 Validation Error

现象：请求体字段类型不匹配
解决方案：

检查pydantic模型字段类型定义
使用try/except块捕获ValidationError

from fastapi.exceptions import RequestValidationError


@app.exception_handler(RequestValidationError)
async def validation_exception_handler(request, exc):
    return JSONResponse(
        status_code=400,
        content={"detail": "请求数据格式错误"}
    )

5.2 MongoClient连接超时

现象：ServerSelectionTimeoutError
排查步骤：

检查MongoDB服务状态 systemctl status mongod
验证连接字符串格式是否正确
检查防火墙设置是否开放27017端口

6. 课后Quiz

问题1：当使用$match进行时间范围查询时，如何确保查询性能？
A) 使用内存缓存
B) 在timestamp字段创建索引
C) 增加数据库连接池

正确答案：B
解析：创建索引可以显著提升字段的查询效率，特别是对时间戳这种常用于范围查询的字段

问题2：在批量插入日志时，如何保证数据完整性？
A) 使用事务操作
B) 启用写入确认机制
C) 增加重试逻辑

正确答案：B
解析：MongoDB的写入确认（write concern）机制可以确保数据成功写入磁盘

7. 生产环境建议

连接池配置：根据业务负载调整maxPoolSize（建议10-100之间）
读写分离：为分析类查询配置secondary节点读取
慢查询监控：定期检查db.currentOp()的输出
TTL索引：自动清理过期日志

# 创建7天过期的TTL索引
await db.logs.create_index(
    [("timestamp", 1)],
    name="logs_ttl",
    expireAfterSeconds=604800  # 7天
)

通过本文的完整实现方案，开发者可以快速构建日均千万级日志处理系统。实际部署时建议配合Prometheus进行性能监控，并使用Grafana实现可视化看板。

余下文章内容请点击跳转至个人博客页面或者扫码关注或者微信搜一搜：编程智域前端至全栈交流与成长，阅读完整的文章：

异步日志监控：FastAPI与MongoDB的高效整合之道