当一个应用开发完成并部署到目标运行环境后，维护工作才刚刚开始。虽然理论上可能存在无需后续维护的应用，但这种情况极为罕见。在实际生产中，我们必须持续关注系统的错误情况与性能表现。

为了确保应用程序稳定可靠地运行，必须对日志进行有效管理，并监控关键的运行指标。常见的监控内容包括以下几个方面：

• 分析 Web 应用访问日志中的各类 HTTP 状态码，识别异常请求模式。
• 收集进程日志，这些日志通常包含运行时错误、警告以及其他调试信息。
• 对远程主机上的系统资源使用情况进行监控，如 CPU 占用率、内存消耗和网络流量等。
• 跟踪与业务相关的关键性能指标（KPIs），例如客户转化率、收入变化等应用层级的数据。

[此处为图片1]

幸运的是，当前有许多开源工具可以帮助我们检测代码问题并实现性能监控，大多数工具都具备良好的可集成性，能够快速接入现有项目。

错误记录：Sentry 与 Raven

无论测试多么全面，代码在运行过程中仍有可能出现故障。导致失败的原因多种多样——未捕获的异常、资源耗尽、后端服务中断、网络连接问题，甚至是第三方库本身的缺陷。尽管部分问题（如资源不足）可以通过提前预警机制发现，但总有一些异常会绕过防御体系。

面对此类情况，最重要的是做好充分准备，确保每一个错误都能被及时捕捉和处理。通常情况下，程序在发生意外时会抛出异常，并通过日志系统将其记录下来。这个输出可能是标准输出（stdout）、标准错误（stderr）、文件，或其他配置的日志目的地。根据具体实现，这可能导致进程退出并返回特定状态码，也可能只是静默记录。

理论上，你可以依赖本地保存的文本日志来排查错误。然而，在复杂的生产环境中，仅靠人工查看日志效率极低且难以扩展。因此，采用专用于日志聚合与分析的专业服务是更为合理的选择。

虽然完善的日志系统对于运维至关重要，但它在追踪和调试线上问题方面仍有局限。主要原因在于：最常见的错误形式是 Python 的堆栈跟踪（stack trace）。单独依靠堆栈信息往往不足以定位根本原因，尤其是在面对非规律性错误或高负载场景下的偶发问题时。

[此处为图片2]

真正需要的是尽可能丰富的上下文信息，以及能够在生产环境中长期保存、便于检索的完整错误历史。在这方面，Sentry（https://getsentry.com）是一个广泛使用的解决方案。它是一款成熟的开源工具，专为异常跟踪和崩溃报告设计，最初由 Python 后端开发者构建，现已支持多种语言，涵盖 PHP、Ruby 和 JavaScript 等，但仍被广泛视为 Python 开发者的首选错误监控平台。

Sentry 提供商业化的 SaaS 服务，同时也开放源码，允许用户在自有服务器上免费部署。与其配套使用的客户端库是 Raven，可在 PyPI 上获取。如果你希望尝试 Sentry 但尚未搭建私有实例，可以直接注册其官方提供的免费试用账户。

注册并创建新项目后，系统将生成一个名为 DSN（Data Source Name，数据源名称）的字符串。该字符串包含了协议类型、认证密钥、服务器地址及项目标识等信息，构成了应用与 Sentry 通信所需的最小配置单元，格式如下：

{PROTOCOL}????/{PUBLIC_KEY}:{SECRET_KEY}@{HOST}/{PATH}{PROJECT_ID}

一旦获得 DSN，集成过程非常简单。示例如下：

from raven import Client
client = Client('https://:@app.getsentry.com/')
try:
    1 / 0
except ZeroDivisionError:
    client.captureException()

Raven 提供了对主流 Python 框架（如 Django、Flask、Celery 和 Pyramid）的深度集成，能自动注入框架相关的上下文信息。若所使用的框架未被直接支持，raven 还提供了通用的 WSGI 中间件，适用于任何基于 WSGI 协议的 Web 服务器。示例如下：

from raven import Client
from raven.middleware import Sentry

# 注意：application 是先前定义的一个 WSGI 应用对象
application = Sentry(
    application,
    Client('https://:@app.getsentry.com/')
)

通过上述方式，可以轻松实现错误的集中化收集与管理，显著提升故障响应效率。

一个值得关注的功能是能够监控通过 Python 内置 logging 模块输出的日志信息。要启用这一功能，仅需引入少量代码即可实现，示例如下：

from raven.handlers.logging import SentryHandler
from raven.conf import setup_logging
client = Client('https://:@app.getsentry.com/')
handler = SentryHandler(client)
setup_logging(handler)

[此处为图片1]

然而，在使用日志捕获功能时，可能存在一些不易察觉的问题。因此，如果你计划采用该特性，强烈建议仔细查阅官方文档中关于此部分的说明，以避免潜在的意外情况。

此外，自行部署和运行 Sentry 实例在长期来看可能更具成本效益。尽管“天下没有免费的午餐”，你仍需承担额外的基础设施开销，因为 Sentry 本质上是一项需要持续维护的服务。而维护就意味着增加工作量，进而带来人力与资源上的成本。随着应用程序规模的扩大，异常事件的数量也会随之上升，这意味着你在扩展主产品的同时，也必须同步扩展 Sentry 的处理能力。

虽然该项目本身具备良好的稳定性与可靠性，但在高负载场景下，其表现可能会大打折扣。尤其当遭遇灾难性故障时——例如每秒产生上千条错误报告——如何确保 Sentry 能够及时响应并稳定运行，将是一个严峻的技术挑战。

因此，你需要权衡：是选择托管服务更为经济便捷，还是具备足够的技术能力和资源来自行搭建与运维。当然，若所在组织的安全政策明确禁止向第三方平台传输任何数据，则无需犹豫——将 Sentry 部署在自有基础设施上是唯一合规的选择。尽管这会带来一定的投入，但从安全与可控性的角度来看，这份代价往往是完全值得的。