Om een aangepast verzoeklogboek-systeem in je Flask-toepassing op te zetten met Flask-Logging, kun je de volgende stappen volgen: 1. **Configuratie van Flask-Logging**: Installeer en configureer Flask-Logging om logs te genereren in een gewenst formaat en locatie. 2. **Gebruik van request en response hooks**: Maak gebruik van Flask’s `before_request` en `after_request` functies om gegevens vast te leggen: ```python import logging import time from flask import Flask, request, g app = Flask(__name__) # Configureer logging logging.basicConfig(level=logging.INFO, filename='verzoek_logboek.log', format='%(message)s') @app.before_request def start_timer(): g.start_time = time.time() @app.after_request def log_request(response): # Tijdstempel timestamp = time.strftime('%Y-%m-%d %H:%M:%S', time.localtime()) # IP-adres van de gebruiker ip = request.remote_addr # Verzoekpad path = request.path # Responstijd responsetijd = time.time() - g.start_time # Logbericht samenstellen log_entry = { 'timestamp': timestamp, 'ip': ip, 'path': path, 'status_code': response.status_code, 'responsetijd_ms': int(responsetijd * 1000) } # Log naar bestand logging.info(str(log_entry)) return response ``` 3. **Structurering van loggegevens voor analyse**: - **Gebruik gestructureerde logs**: Log in JSON-achtig formaat (hierboven als dict geconverteerd naar string), zodat ze makkelijk te parseren zijn. - **Consistente velden**: Zorg dat alle logs hetzelfde formaat hebben, met velden zoals `timestamp`, `ip`, `path`, `status_code`, `responsetijd_ms`. - **Tijdstempels**: Gebruik een uniform tijdformaat (ISO 8601 of vergelijkbaar) voor tijdstempels. - **Loglevels en filters**: Overweeg verschillende loglevels (INFO, ERROR) voor verschillende soorten logs. - **Centralisatie en analyse**: Stuur logs naar een centrale logserver of analysetool (bijv. ELK-stack, Graylog) voor verdere analyse. Door deze aanpak krijg je gedetailleerde, gestructureerde logs waarmee je gebruikersinteracties kunt monitoren en analyseren.

Hier is een uitgebreide uitleg voor het opzetten van een aangepast verzoeklogboek-systeem in Flask met Flask-Logging: ## Basisimplementatie ```python import logging from flask import Flask, request, g import time from datetime import datetime app = Flask(__name__) # Configureer logging logging.basicConfig(level=logging.INFO) logger = logging.getLogger('request_logger') @app.before_request def start_timer(): g.start_time = time.time() @app.after_request def log_request(response): # Bereken responstijd if hasattr(g, 'start_time'): response_time = round((time.time() - g.start_time) * 1000, 2) # in milliseconden else: response_time = 0 # Verzamel loggegevens log_data = { 'timestamp': datetime.utcnow().isoformat(), 'ip_address': request.remote_addr, 'method': request.method, 'path': request.path, 'user_agent': request.headers.get('User-Agent', ''), 'status_code': response.status_code, 'response_time_ms': response_time, 'query_params': dict(request.args) } # Log de gegevens logger.info('Request verwerkt', extra=log_data) return response ``` ## Geavanceerde implementatie met JSON-formattering ```python import json from pythonjsonlogger import jsonlogger class RequestFormatter(jsonlogger.JsonFormatter): def parse(self): return ['timestamp', 'level', 'message', 'ip_address', 'method', 'path', 'status_code', 'response_time_ms', 'user_agent'] # Configureer JSON logging formatter = RequestFormatter('%(timestamp)s %(level)s %(message)s %(ip_address)s %(method)s %(path)s %(status_code)s %(response_time_ms)s %(user_agent)s') handler = logging.FileHandler('request_logs.json') handler.setFormatter(formatter) logger = logging.getLogger('request_logger') logger.addHandler(handler) logger.setLevel(logging.INFO) ``` ## Beste praktijken voor logstructuur ### 1. Gestandaardiseerd JSON-formaat ```json { "timestamp": "2024-01-15T10:30:00.123Z", "level": "INFO", "message": "Request verwerkt", "ip_address": "192.168.1.100", "method": "GET", "path": "/api/users", "status_code": 200, "response_time_ms": 45.2, "user_agent": "Mozilla/5.0...", "user_id": "user123", "session_id": "session456", "correlation_id": "req-789" } ``` ### 2. Essentiële velden om op te nemen: - **Tijdstempel**: ISO 8601 formaat met tijdzone - **Unieke identificatie**: request_id of correlation_id - **Gebruikerscontext**: user_id, session_id (indien beschikbaar) - **Technische details**: HTTP method, path, status code - **Prestatiemetingen**: response_time, bytes_sent - **Beveiliging**: IP, user_agent (voor security monitoring) ### 3. Log-niveaus strategie: ```python # Voor verschillende scenario's if response.status_code >= 500: logger.error('Server error', extra=log_data) elif response.status_code >= 400: logger.warning('Client error', extra=log_data) else: logger.info('Request success', extra=log_data) ``` ### 4. Configuratie voor productie: ```python # In config.py class ProductionConfig: LOG_LEVEL = 'INFO' LOG_FORMAT = 'json' LOG_FILE = '/var/log/flask/requests.json' # Log rotation from logging.handlers import RotatingFileHandler handler = RotatingFileHandler( LOG_FILE, maxBytes=10485760, # 10MB backupCount=10 ) ``` ### 5. Analyse-vriendelijke structuur: - **Consistente veldnamen**: Gebruik altijd dezelfde namen - **Geneste objecten**: Vermijd voor eenvoudige analyse - **Numerieke waarden**: Gebruik numbers ipv strings voor response_time - **Categorische data**: Gebruik vaste enumeraties voor method, status ### 6. Beveiliging en privacy: ```python @app.after_request def sanitize_log_data(response): log_data = { # ... basisvelden 'path': request.path, # Verwijder gevoelige data uit query parameters 'query_params': {k: 'REDACTED' if 'password' in k.lower() else v for k, v in request.args.items()} } return log_data ``` ## Analyse-aanbevelingen 1. **ELK Stack**: Gebruik Elasticsearch, Logstash, Kibana voor real-time analyse 2. **Grafana**: Voor visuele monitoring van responstijden en foutpercentages 3. **Alarmering**: Stel thresholds in voor response_time en error rates 4. **Aggregaties**: Groepeer op endpoint, gebruiker, tijdseenheid Deze structuur maakt het eenvoudig om: - Prestatieproblemen te identificeren - Gebruikersgedrag te analyseren - Beveiligingsincidenten te detecteren - Capaciteitsplanning te ondersteunen