項(xiàng)目的一個(gè)需求是解析nginx的日志文件。
簡單的整理如下：
日志規(guī)則描述
首先要明確自己的Nginx的日志格式，這里采用默認(rèn)Nginx日志格式：
log_format main '$remote_addr - $remote_user [$time_local] "$request" '
'$status $body_bytes_sent "$http_referer" '
'"$http_user_agent" "$http_x_forwarded_for"';
其中一條真實(shí)記錄樣例如下：
172.22.8.207 - - [16/Dec/2014:17:57:35 +0800] "GET /report?DOmjjuS6keWJp+WculSQAgdUkAIPODExMzAwMDJDN0FC HTTP/1.1" 200 0 "-" "XXXXXXX/1.0.16; iPhone/iOS 8.1.2; ; 8DA77E2F91D0"
其中，客戶端型號(hào)信息用XXXXXXX代替。
項(xiàng)目中已經(jīng)按照業(yè)務(wù)規(guī)則對(duì)Nginx日志文件進(jìn)行了處理命名規(guī)則如下：
ID-ID-YYMMDD-hhmmss
并且所有的日志文件存放在統(tǒng)一路徑下。
解決思路
獲取所有日志文件path
這里使用Python的glob模塊來獲取日志文件path
import glob
def readfile(path):
return glob.glob(path + '*-*-*-*')
獲取日志文件中每一行的內(nèi)容
使用Python的linecache模塊來獲取文件行的內(nèi)容
import linecache
def readline(path):
return linecache.getlines(path)
注意：linecache模塊使用了緩存，所以存在以下問題：
在使用linecache模塊讀取文件內(nèi)容以后，如果文件發(fā)生了變化，那么需要使用
linecache.updatecache(filename)來更新緩存，以獲取最新變化。linecache模塊使用緩存，所以會(huì)耗費(fèi)內(nèi)存，耗費(fèi)量與要解析的文件相關(guān)。最好在使用完畢后執(zhí)行
linecache.clearcache()清空一下緩存。
當(dāng)然，作為優(yōu)化，這里可以利用生成器來進(jìn)行優(yōu)化。暫且按下不表。
處理日志條目
一條日志信息就是一個(gè)特定格式的字符串，因此使用正則表達(dá)式來解析，這里使用Python的re模塊。
下面，一條一條建立規(guī)則：
規(guī)則
ip = r"?P<ip>[\d.]*"
date = r"?P<date>\d+"
month = r"?P<month>\w+"
year = r"?P<year>\d+"
log_time = r"?P<time>\S+"
method = r"?P<method>\S+"
request = r"?P<request>\S+"
status = r"?P<status>\d+"
bodyBytesSent = r"?P<bodyBytesSent>\d+"
refer = r"""?P<refer>
[^\"]*
"""
userAgent=r"""?P<userAgent>
.*
"""
解析
p = re.compile(r"(%s)\ -\ -\ \[(%s)/(%s)/(%s)\:(%s)\ [\S]+\]\ \"(%s)?[\s]?(%s)?.*?\"\ (%s)\ (%s)\ \"(%s)\"\ \"(%s).*?\"" %( ip, date, month, year, log_time, method, request, status, bodyBytesSent, refer, userAgent ), re.VERBOSE)
m = re.findall(p, logline)
這樣，就可以得到日志條目中各個(gè)要素的原始數(shù)據(jù)。
格式及內(nèi)容轉(zhuǎn)化
得到日志原始數(shù)據(jù)之后，需要根據(jù)業(yè)務(wù)要求，對(duì)原始數(shù)據(jù)進(jìn)行格式及內(nèi)容轉(zhuǎn)化。
這里需要處理的內(nèi)容包括：時(shí)間，request，userAgent
時(shí)間格式轉(zhuǎn)化
在日志信息原始數(shù)據(jù)中存在Dec這樣的信息，利用Python的time模塊可以方便的進(jìn)行解析
import time
def parsetime(date, month, year, log_time):
time_str = '%s%s%s %s' %(year, month, date, log_time)
return time.strptime(time_str, '%Y%b%d %H:%M:%S')
解析request
在日志信息原始數(shù)據(jù)中得到的request的內(nèi)容格式為：
/report?XXXXXX
這里只需要根據(jù)協(xié)議取出XXXXXX即可。
這里仍然采用Python的re模塊
import re
def parserequest(rqst):
param = r"?P<param>.*"
p = re.compile(r"/report\?(%s)" %param, re.VERBOSE)
return re.findall(p, rqst)
接下來需要根據(jù)業(yè)務(wù)協(xié)議解析參數(shù)內(nèi)容。這里需要先利用base64模塊解碼，然后再利用struct模塊解構(gòu)內(nèi)容：
import struct
import base64
def parseparam(param):
decodeinfo = base64.b64decode(param)
s = struct.Struct('!x' + bytes(len(decodeinfo) - (1 + 4 + 4 + 12)) + 'xii12x')
return s.unpack(decodeinfo)
解析userAgent
在日志信息原始數(shù)據(jù)中userAgent數(shù)據(jù)的格式為：
XXX; XXX; XXX; XXX
根據(jù)業(yè)務(wù)要求，只需要取出最后一項(xiàng)即可。
這里采用re模塊來解析。
import re
def parseuseragent(useragent):
agent = r"?P<agent>.*"
p = re.compile(r".*;.*;.*;(%s)" %agent, re.VERBOSE)
return re.findall(p, useragent)
至此，nginx日志文件解析基本完成。
剩下的工作就是根據(jù)業(yè)務(wù)需要，對(duì)獲得的基本信息進(jìn)行處理。
（完）
