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/

第五章：构建日志分析系统存储

1. MongoDB与FastAPI集成基础

MongoDB的非结构化数据存储特性使其成为日志系统的理想选择，如同收纳不同形状物品的智能储物柜。在FastAPI中，我们通过Motor驱动实现异步操作，这种组合就像为数据传输装上了涡轮增压引擎。

安装依赖库：

1	pip install fastapi==0.103.2 motor==3.3.2 pydantic==2.5.3 python-dotenv==1.0.0

环境配置（.env文件）：

1 2	MONGODB_URL=mongodb://localhost:27017 DB_NAME=logs_db

2. Motor异步驱动实践

Motor的异步特性如同高速公路上的应急车道，确保主线程畅通无阻。以下代码展示了高效连接方式：

from fastapi import FastAPI
from motor.motor_asyncio import AsyncIOMotorClient
from pydantic import BaseModel
import os
from dotenv import load_dotenv

load_dotenv()

app = FastAPI()


class LogItem(BaseModel):
    level: str
    message: str
    timestamp: str
    source: str


@app.on_event("startup")
async def startup_db_client():
    app.mongodb_client = AsyncIOMotorClient(os.getenv("MONGODB_URL"))
    app.mongodb = app.mongodb_client[os.getenv("DB_NAME")]


@app.on_event("shutdown")
async def shutdown_db_client():
    app.mongodb_client.close()


@app.post("/logs/")
async def create_log(log: LogItem):
    log_dict = log.model_dump()
    result = await app.mongodb.logs.insert_one(log_dict)
    return {"id": str(result.inserted_id)}

此代码实现了：

使用Pydantic进行数据验证
异步数据库连接管理
自动化的环境变量加载
符合REST规范的API端点

3. 聚合管道应用实战

聚合管道如同数据加工流水线，这是分析日志的关键工具。以下示例统计不同日志级别的数量：

@app.get("/logs/stats/level")
async def get_log_level_stats():
    pipeline = [
        {"$match": {"timestamp": {"$gte": "2024-01-01"}}},
        {"$group": {
            "_id": "$level",
            "count": {"$sum": 1},
            "last_occurrence": {"$last": "$timestamp"}
        }},
        {"$sort": {"count": -1}}
    ]
    results = []
    async for doc in app.mongodb.logs.aggregate(pipeline):
        results.append({
            "level": doc["_id"],
            "count": doc["count"],
            "last_occurred": doc["last_occurrence"]
        })
    return results

管道阶段说明：

$match：过滤时间范围，相当于SQL的WHERE
$group：按日志级别分组统计
$sort：按计数降序排列

4. 索引优化策略

索引如同图书馆的目录系统，合理使用可使查询速度提升10倍以上。为日志集合创建复合索引：

# 在启动时创建索引
@app.on_event("startup")
async def create_indexes():
    await app.mongodb.logs.create_index([("timestamp", 1), ("level", 1)])
    await app.mongodb.logs.create_index([("source", "text")])

索引使用建议：

为常用查询字段创建组合索引
文本搜索字段使用text索引
定期使用explain()分析查询计划

# 分析查询性能
async def analyze_query():
    explain_result = await app.mongodb.logs.find(
        {"level": "ERROR"}
    ).explain()
    print(explain_result["queryPlanner"]["winningPlan"])

5. 日志系统完整案例

实现包含错误追踪的完整系统：

class EnhancedLogItem(LogItem):
    trace_id: str | None = None
    user_id: str | None = None


@app.get("/logs/errors")
async def get_error_logs(limit: int = 100):
    error_logs = []
    async for doc in app.mongodb.logs.find(
            {"level": "ERROR"},
            {"_id": 0, "message": 1, "timestamp": 1, "source": 1}
    ).sort("timestamp", -1).limit(limit):
        error_logs.append(doc)
    return error_logs


@app.get("/logs/search")
async def search_logs(keyword: str):
    results = []
    async for doc in app.mongodb.logs.find(
            {"$text": {"$search": keyword}},
            {"score": {"$meta": "textScore"}}
    ).sort([("score", {"$meta": "textScore"})]):
        results.append({
            "message": doc["message"],
            "score": doc["score"]
        })
    return results

6. 常见报错解决方案

问题1：422 Validation Error

{
  "detail": [
    {
      "type": "missing",
      "loc": [
        "body",
        "level"
      ],
      "msg": "Field required"
    }
  ]
}

解决方法：

检查请求体是否包含所有必填字段
验证字段类型是否符合模型定义
使用Swagger文档测试API请求格式

问题2：Motor连接超时

1	TimeoutError: Timed out connecting to localhost:27017

解决方法：

检查MongoDB服务是否运行
验证防火墙设置
增加连接超时配置：

1	AsyncIOMotorClient(os.getenv("MONGODB_URL"), serverSelectionTimeoutMS=5000)

7. 课后Quiz

问题1：如何优化聚合查询的性能？
A) 增加服务器内存
B) 使用合适的索引
C) 减少返回字段数量
D) 所有选项都正确

正确答案：D
解析：索引能加速$match阶段，内存影响排序操作，减少返回数据量降低网络开销，三者都能提升性能。

问题2：处理百万级日志时，哪种分页方式最高效？
A) skip/limit
B) 基于时间范围查询
C) 使用最后ID的游标分页
D) 随机抽样

正确答案：C
解析：游标分页通过记录最后查询位置实现高效分页，避免skip带来的性能损耗，适合大数据量场景。

问题3：如何确保日志写入的可靠性？
A) 使用insert_many批量写入
B) 启用写确认机制
C) 添加唯一索引
D) 定期手动备份

正确答案：B
解析：写确认机制（write concern）能保证数据持久化到磁盘，搭配journaling功能可最大限度防止数据丢失。

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：

异步日志分析：MongoDB与FastAPI的高效存储揭秘