Metadata-Version: 2.4
Name: nfo
Version: 0.1.10
Summary: Automatic function logging with decorators — output to SQLite, CSV, and Markdown
Author: wronai
License-Expression: Apache-2.0
Keywords: logging,decorator,sqlite,csv,markdown,auto-logging
Classifier: Development Status :: 3 - Alpha
Classifier: Intended Audience :: Developers
Classifier: Programming Language :: Python :: 3
Classifier: Programming Language :: Python :: 3.9
Classifier: Programming Language :: Python :: 3.10
Classifier: Programming Language :: Python :: 3.11
Classifier: Programming Language :: Python :: 3.12
Classifier: Programming Language :: Python :: 3.13
Classifier: Topic :: Software Development :: Libraries :: Python Modules
Classifier: Topic :: System :: Logging
Requires-Python: >=3.9
Description-Content-Type: text/markdown
License-File: LICENSE
Provides-Extra: dev
Requires-Dist: pytest>=7.0; extra == "dev"
Requires-Dist: pytest-cov>=4.0; extra == "dev"
Dynamic: license-file

# lg


Tak, istnieją biblioteki Pythona, które automatyzują generowanie logów w funkcjach na podstawie analizy kodu, typów danych czy struktur jak try-except.

## Loguru
Loguru to popularna biblioteka oferująca dekoratory do automatycznego logowania wejścia/wyjścia funkcji oraz wyjątków.  
Używa się jej prosto: `@loguru.logger.catch` na funkcji automatycznie przechwytuje błędy i loguje szczegóły, w tym argumenty i typy.  
Przykład: dekorator loguje parametry wejściowe, wyjątki z traceback oraz czas wykonania bez pisania ręcznych logów. [pktiuk.github](https://pktiuk.github.io/notatki_z_jezykow/Python%F0%9F%90%8D/4_biblioteki_i_narz%C4%99dzia/)

## Decorator logowania
Biblioteka `funcy` lub proste dekoratory z `functools` pozwalają tworzyć customowe wrappery analizujące `inspect.signature()` dla typów argumentów.  
Można dynamicznie logować nazwy parametrów, ich typy (`type(arg)`) i wartości przy wejściu/wyjściu.  
Dla zaawansowanych przypadków `pydantic` integruje walidację typów z automatycznymi logami błędów walidacji w blokach try-except. [bulldogjob](https://bulldogjob.pl/readme/przewodnik-dla-poczatkujacych-po-pydantic-pythona)

## Funkcjonalne podejście
Własny dekorator z `inspect` i `logging` może skanować strukturę kodu (ast.parse) i generować logi debug na podstawie obecności try-catch czy typów.  
Biblioteki jak `wrapt` ułatwiają takie wrappingi bez modyfikacji oryginalnych funkcji.  
To idealne dla Twoich projektów z embedded systems i automatyzacją, gdzie chcesz minimalizować boilerplate. [pktiuk.github](https://pktiuk.github.io/notatki_z_jezykow/Python%F0%9F%90%8D/4_biblioteki_i_narz%C4%99dzia/)



Tak, Loguru i standardowy logging z custom handlerami umożliwiają eksport logów bezpośrednio do SQLite, CSV czy Markdown poprzez konfigurację sinków lub handlerów. Poniżej przykłady użycia z automatycznym logowaniem (dekoratory) i outputem do plików.

## Przykład Loguru z dekoratorem i CSV
Loguru pozwala dodać sink do pliku CSV, logując automatycznie argumenty, wyjątki z try-catch i typy danych.

```python
from loguru import logger

# Dodaj sink CSV (automatycznie strukturyzuje logi)
logger.add("logs.csv", format="{time} | {level} | {name}:{function}:{line} | {message}", serialize=True)

@logger.catch  # Automatycznie loguje wejście/wyjście i wyjątki
def moja_funkcja(x: int, y: str):
    return x / len(y)  # Przykładowy błąd

moja_funkcja(10, "")  # Loguje do CSV z typami i traceback [web:23][web:13]
```

Wynik w CSV: kolumny jak time, level, message z JSON-serializowanymi danymi (argumenty, typy). [github](https://github.com/Delgan/loguru/blob/master/README.md)

## Loguru do Markdown
Loguru sink do Markdown generuje czytelne logi z nagłówkami i formatowaniem.

```python
logger.add("logs.md", format="## {time:YYYY-MM-DD HH:mm:ss} | {level}\n{ message }\n", colorize=False)

@logger.catch
def test_funkcja(data):
    raise ValueError("Błąd typów")

test_funkcja({"key": "value"})  # Logi z markdown: ## nagłówki, kody bloków [web:21]
```

Plik MD: struktura z datą, poziomem, pełnym traceback i zmiennymi. [jojoduquartier.github](https://jojoduquartier.github.io/snippets/logging_decorator/)

## SQLite Handler dla logging/Loguru
Użyj `python-sqlite-log-handler` lub custom handler do bazy danych; integruje z dekoratorami.

```python
import logging
from python_sqlite_log_handler import SQLiteLogHandler  # pip install python-sqlite-log-handler

logger = logging.getLogger("app")
handler = SQLiteLogHandler(db_path="logs.db")  # Tworzy tabelę logs
logger.addHandler(handler)
logger.setLevel(logging.DEBUG)

def try_catch_logger(func):
    def wrapper(*args, **kwargs):
        try:
            return func(*args, **kwargs)
        except Exception as e:
            logger.error(f"Błąd w {func.__name__}: {e}", exc_info=True)
            raise
    return wrapper

@try_catch_logger
def funkcja_z_db(arg: dict):
    if not arg: raise KeyError("Brak danych")

funkcja_z_db({})  # Loguje do SQLite: created_at, level, message, extra z typami [web:15][web:12]
```

Query SQL: `SELECT * FROM logs WHERE level >= 30` – łatwe filtrowanie. [pypi](https://pypi.org/project/python-sqlite-log-handler/)

## Porównanie outputów
| Biblioteka/Handler | SQLite | CSV | Markdown | Automatyczne dekoratory |
|--------------------|--------|-----|----------|------------------------|
| Loguru            | Tak (custom sink)  [stackoverflow](https://stackoverflow.com/questions/67693767/how-do-i-create-an-sqlite-3-database-handler-for-my-python-logger) | Tak (serialize=True)  [github](https://github.com/Delgan/loguru/blob/master/README.md) | Tak (format MD)  [jojoduquartier.github](https://jojoduquartier.github.io/snippets/logging_decorator/) | @logger.catch  [datacamp](https://www.datacamp.com/tutorial/loguru-python-logging-tutorial) |
| logging + sqlite-handler | Tak (natywnie)  [pypi](https://pypi.org/project/python-sqlite-log-handler/) | Tak (CSVHandler) | Custom formatter | Custom @try_catch  [jojoduquartier.github](https://jojoduquartier.github.io/snippets/logging_decorator/) |




## Analiza rozwiązań do automatycznego logowania w Pythonie

Istnieją cztery główne biblioteki umożliwiające automatyczne logi w funkcjach na bazie typów danych, struktur kodu (try-catch) i dekoratorów. Loguru jest najpopularniejszy (15k+ gwiazdek GitHub), structlog skupia się na strukturyzowanych logach, Eliot na wizualizacji, a standardowy logging z rozszerzeniami na elastyczność. [betterstack](https://betterstack.com/community/guides/logging/best-python-logging-libraries/)

## Szczegółowa tabela porównawcza

| Biblioteka       | Automatyczne logi (dekoratory) | Analiza typów/struktury kodu | Obsługa SQLite | Obsługa CSV | Obsługa Markdown | Zalety | Wady | GitHub Stars (2026) | Ostatnia aktualizacja |
|------------------|-------------------------------|------------------------------|----------------|-------------|------------------|--------|------|---------------------|-----------------------|
| **Loguru**  [betterstack](https://betterstack.com/community/guides/logging/best-python-logging-libraries/) | Tak (@logger.catch: wejście/wyjście, wyjątki, traceback) | Częściowa (loguje args via inspect, typy w serializacji) | Tak (custom sink z sqlite3)  [stackoverflow](https://stackoverflow.com/questions/67693767/how-do-i-create-an-sqlite-3-database-handler-for-my-python-logger) | Tak (serialize=True, CSV format)  [github](https://github.com/Delgan/loguru/blob/master/README.md) | Tak (custom format z ## nagłówkami)  [jojoduquartier.github](https://jojoduquartier.github.io/snippets/logging_decorator/) | Zero-config, rotation plików, structured JSON, kolorowanie | Nie threaded-safe domyślnie | 15k+  [betterstack](https://betterstack.com/community/guides/logging/best-python-logging-libraries/) | Aktywna (2024-12)  [pypi](https://pypi.org/project/loguru/) |
| **structlog**  [matthewstrawbridge](https://www.matthewstrawbridge.com/content/2024/python-logging-basic-better-best/) | Tak (bind_context, processors dla func args) | Tak (structured metadata z typami, AST via processors) | Tak (via JSON + sqlite insert)  [stackoverflow](https://stackoverflow.com/questions/67693767/how-do-i-create-an-sqlite-3-database-handler-for-my-python-logger) | Tak (JSON/CSV processors) | Tak (custom renderer) | Structured logs, async, OpenTelemetry | Więcej configu niż Loguru | Wysokie (top 6)  [betterstack](https://betterstack.com/community/guides/logging/best-python-logging-libraries/) | Aktywna  [dash0](https://www.dash0.com/guides/python-logging-with-structlog) |
| **Eliot**  [betterstack](https://betterstack.com/community/guides/logging/best-python-logging-libraries/) | Tak (@log_call: pełne wejście/wyjście funkcji) | Tak (strukturyzowane eventy z typami) | Tak (JSON do SQLite) | Tak (JSON export) | Częściowa (JSON -> MD via tree) | Wizualizacja (eliot-tree CLI), narracyjne logi | Brak poziomów logów | Średnie  [betterstack](https://betterstack.com/community/guides/logging/best-python-logging-libraries/) | Stabilna |
| **logging std + handlers**  [reddit](https://www.reddit.com/r/Python/comments/1p6qy1e/spent_a_bunch_of_time_choosing_between_loguru/) | Tak (custom @decorator z inspect/traceback)  [jojoduquartier.github](https://jojoduquartier.github.io/snippets/logging_decorator/) | Tak (via inspect.signature, ast.parse) | Tak (python-sqlite-log-handler)  [pypi](https://pypi.org/project/python-sqlite-log-handler/) | Tak (CSVHandler/FileHandler) | Tak (custom Formatter) | Natywny, config files, threaded | Boilerplate bez dekoratorów | Wbudowany | Python 3.14  [docs.python](https://docs.python.org/pl/3/tutorial/errors.html) |

## Rekomendacje dla Twoich projektów
Dla embedded/automatyzacji (RPi/ESP32) wybierz **Loguru** – prosty, lekki, integruje z Docker/K8s. Do biznesu (ERP/legal) **structlog** dla searchable JSON/SQLite. Przykłady kodu z poprzednich odpowiedzi działają out-of-box po `pip install loguru python-sqlite-log-handler`. [reddit](https://www.reddit.com/r/Python/comments/1p6qy1e/spent_a_bunch_of_time_choosing_between_loguru/)



W dobie LLM i multisrodowiskowych aplikacji (embedded, Docker/K8s, CI/CD) brakuje kilku kluczowych funkcji w bibliotekach logujących jak Loguru/structlog.

## Braki w automatycznym logowaniu

**Brak natywnej integracji z LLM do kontekstowego parsowania logów**  
Żadna biblioteka nie analizuje logów przez LLM w locie (np. "ten wyjątek TypeError sugeruje brak walidacji int w argumencie x") ani nie generuje sugestii fixów bezpośrednio w logu. W CI/CD z LLM to kluczowe dla szybkiej iteracji. [ijamjournal](https://ijamjournal.org/ijam/publication/index.php/ijam/article/view/77/)

## Tabela brakujących funkcji

| Brakująca funkcja | Opis problemu | Przykład zastosowania w Twoich projektach |
|-------------------|---------------|------------------------------------------|
| **LLM-powered log parsing** | Logi tylko statyczne; brak AI do grupowania podobnych błędów czy predykcji root cause | W embedded RPi: LLM grupuje "I2C timeout" z sensorami i sugeruje "sprawdź zasilanie" |
| **Multi-env log correlation** | Brak automatycznego tagowania środowisk (dev/staging/prod) + trace ID dla K8s pods | CI/CD deploy do Docker: brak linku "błąd w pod-3 → Git commit abc123" |
| **Dynamic sink routing** | Ręczne config sinków (SQLite/CSV); brak auto-przełączania na bazie env/variable types | Prod → Elasticsearch, dev → Markdown; bez config files |
| **Structured diff logs** | Nie loguje zmian input/output między wersjami funkcji w CI/CD | A/B test funkcji: "v1.2.1 input dict → output None, v1.2.2 → output list" |
| **Prompt injection detection** | Brak auto-detektu LLM prompt injection w logach API calls | Twoja automatyzacja prawna: loguje "znajdź lukę w umowie X" → flaga bezpieczeństwa |

## Proponowane rozszerzenia dla CI/CD + LLM

```python
# Wyobrażone Loguru 3.0 z LLM integration
from loguru_llm import LLMAnalyzer

@logger.catch(llm_analyzer=LLMAnalyzer(model="gpt-4o-mini"))
def risky_function(user_input: str):
    # LLM auto-parsuje exception i dodaje: "Prawdopodobna przyczyna: SQL injection"
    return eval(user_input)  # danger!
```

**Dla Twoich projektów**: Stwórz custom sink z LangChain + Pinecone vector DB do semantycznego searchu logów ("pokaż wszystkie TypeError z dict arg w ciągu 7 dni") i GitHub Actions step z LLM code review na bazie logów z failed builds. [github](https://github.com/charliepaks/llm-cicd)
