读：Choosing a Python Logging Library in 2026

Python 的日志生态与其他语言不同，标准库 logging 是基础，但配置繁琐。

标准库 logging 提供三种配置方式，其中 dictConfig 是最灵活的，支持集中管理和按环境覆盖。

标准库的主要问题是认知负担，复杂配置容易出错，且缺乏逐请求注入上下文的能力。

structlog 将每条日志视为字典，通过 processor 链处理，支持上下文传播，适合复杂日志需求。

Loguru 以极简配置著称，提供全局 logger 对象，适合快速上手的团队，但缺乏逐组件控制。

Logbook 和 picologging 有趣但不适合新项目，前者缺乏结构化输出，后者项目已停滞。

不同框架与日志库的集成关系各异，Django 与标准库集成最深，FastAPI 适合 structlog。

性能基准显示，标准库的开销主要来自 JSON 序列化，选择合适的序列化器可提高性能。

跨语言的日志设计原则包括 processor chain、上下文传播、单全局 vs 命名层级、序列化开销。

选型建议：大多数应用可从标准库 + JSON formatter 开始，structlog 是性能和灵活性的良好选择，Loguru 适合追求简化配置的团队。