¿Por qué logging es superior a prints sueltos en producción?

El logging estructura la observabilidad: severidad, contexto y diagnóstico reproducible.

Logging y debugging en Python: observar sistemas sin adivinar

Aprende a reemplazar prints por logging estructurado, usar niveles correctamente y depurar fallos con estrategia reproducible.

¿Cuánto sabes de Python?

📘 Teoría

1) Logging con niveles: del ruido a la señal

No todos los mensajes tienen la misma importancia; clasifícalos.

`DEBUG` sirve para detalle interno en desarrollo, `INFO` para eventos normales, `WARNING` para situaciones anómalas tolerables.

`ERROR` y `CRITICAL` representan fallos relevantes que requieren atención inmediata o escalada.

Si todo está en el mismo nivel, tus logs pierden valor operativo.

Configuración mínima útil

import logging

logging.basicConfig(
    level=logging.INFO,
    format='%(asctime)s %(levelname)s %(name)s - %(message)s'
)

logger = logging.getLogger('app')
logger.info('Servicio iniciado')

2) Añadir contexto a los logs

Un log sin contexto obliga a adivinar y retrasa diagnóstico.

Incluye identificadores de operación (request_id, user_id, job_id) para correlacionar eventos.

Evita loggear datos sensibles (tokens, contraseñas, PII sin anonimizar).

Contexto bien elegido acelera RCA (root cause analysis) cuando algo falla.

Log de operación con metadatos

Información suficiente para trazar una petición.

Registrar excepción con stacktrace

Usa `logger.exception(...)` dentro de `except`.

3) Estrategia de debugging reproducible

Depurar bien es un proceso, no improvisación.

Paso 1: reproduce el fallo con caso mínimo confiable.

Paso 2: formula hipótesis y añade instrumentación (logs, asserts, breakpoints).

Paso 3: aplica fix mínimo, valida con test y revisa impacto lateral.

Herramientas como `pdb` o breakpoints del IDE son útiles, pero sin método no escalan.

No tapes errores con `except` genérico sin análisis.
Loggea eventos de negocio y técnicos por separado.
Valida fix con prueba automatizada cuando sea posible.
Documenta causa raíz y prevención futura.

Breakpoint con `pdb`

import pdb


def calcular_total(items: list[float]) -> float:
    pdb.set_trace()
    return sum(items)


print(calcular_total([10.0, 20.5]))

1 1) Logging con niveles: del ruido a la señal 2 2) Añadir contexto a los logs 3 3) Estrategia de debugging reproducible

🧪 Aprende probando

Ejemplo Ejemplo: pipeline con logs por etapa Instrumenta fases de proceso para localizar fallos sin inspección manual extensa.

⌄

🏁 Retos

Reto Reto: configura nivel INFO correctamente Completa la configuración de logging para que los mensajes informativos se registren.

⌄

🧰 Recursos

Enlaces útiles

Logging HOWTO logging module pdb — The Python Debugger

Test

Comprueba tus conocimientos con un test sobre Python.

Test de Python

Recursos del curso 25

📘 Glosario 🎬 Vídeos 🔗 Enlaces

‹

Lección 17

Testing con Pytest: validar comportamiento y prevenir regresiones

Lección 19

Requests, APIs y JSON en Python: integración robusta con servicios externos

›