引言
本文主要介绍的是在 Tomcat 和 Nginx access日志的统计分析。
Tomcat统计请求响应时间
server.xml
使用配置方式,%D-请求时间,%F响应时间
<Valve className="org.apache.catalina.valves.AccessLogValve" directory="logs"
prefix="localhost_access_log." suffix=".txt"
pattern="%h %l %u [%{yyyy-MM-dd HH:mm:ss}t] %{X-Real_IP}i "%r" %s %b %D %F" />
字段说明如下:
-
%h
- 发起请求的客户端 IP 地址。这里记录的 IP 地址并不一定是真实用户客户机的 IP 地址,它可能是私网客户端的公网映射地址或代理服务器地址。 -
%l
- 客户机的 RFC 1413 标识 ( 参考 ) ,只有实现了 RFC 1413 规范的客户端,才能提供此信息。 -
%u
- 远程客户端用户名称,用于记录浏览者进行身份验证时提供的名字,如登录百度的用户名zuozewei
,如果没有登录就是空白。 -
%t
- 收到请求的时间(访问的时间与时区,比如18/Jul/2018:17:00:01 +0800
,时间信息最后的"+0800"
表示服务器所处时区位于 UTC 之后的8小时) -
%{X-Real_IP}i
- 客户端的真实ip -
%r
- 来自客户端的请求行(请求的 URI 和 HTTP 协议,这是整个 PV 日志记录中最有用的信息,记录服务器收到一个什么样的请求) -
%>s
- 服务器返回客户端的状态码,比如成功是 200。 -
%b
- 发送给客户端的文件主体内容的大小,不包括响应头的大小(可以将日志每条记录中的这个值累加起来以粗略估计服务器吞吐量) -
%{Referer}i
- 记录从哪个页面链接访问过来的(请求头Referer的内容 ) -
%D
- 处理请求的时间,以毫秒为单位 -
%F
- 客户端浏览器信息提交响应的时间,以毫秒为单位
日志样例:
47.203.89.212 - - [19/Apr/2017:03:06:53 +0000] "GET / HTTP/1.1" 200 10599 50 49
Nginx统计请求和后台服务响应时间
使用默认 combined 的经典格式上扩展 response_time&upstream_response_time
nginx.conf
使用配置方式:
log_format main '$remote_addr - $remote_user [$time_local] "$request" $status $body_bytes_sent $request_time $upstream_response_time "$http_referer" "$http_user_agent" "$http_x_forwarded_for"';
字段说明如下:
$remote_addr
- 发起请求的客户端 IP 地址。这里记录的 IP 地址并不一定是真实用户客户机的 IP 地址,它可能是私网客户端的公网映射地址或代理服务器地址。$remote_user
- 远程客户端用户名称,用于记录浏览者进行身份验证时提供的名字,如登录百度的用户名zuozewei
,如果没有登录就是空白。[$time_local]
- 收到请求的时间(访问的时间与时区,比如18/Jul/2018:17:00:01 +0800
,时间信息最后的"+0800"
表示服务器所处时区位于 UTC 之后的8小时)“$request”
- 来自客户端的请求行(请求的 URI 和 HTTP 协议,这是整个 PV 日志记录中最有用的信息,记录服务器收到一个什么样的请求)$status
- 服务器返回客户端的状态码,比如成功是 200。$body_bytes_sent
- 发送给客户端的文件主体内容的大小,不包括响应头的大小(可以将日志每条记录中的这个值累加起来以粗略估计服务器吞吐量)$request_time
- 整个请求的总时间,以秒为单位(包括接收客户端请求数据的时间、后端程序响应的时间、发送响应数据给客户端的时间(不包含写日志的时间))$upstream_response_time
- 请求过程中,upstream 的响应时间,以秒为单位(向后端建立连接开始到接受完数据然后关闭连接为止的时间)“$http_referer”
- 记录从哪个页面链接访问过来的(请求头 Referer 的内容 )“$http_user_agent”
- 客户端浏览器信息(请求头User-Agent的内容 )"$ http_x_forwarded_for"
- 客户端的真实ip,通常web服务器放在反向代理的后面,这样就不能获取到客户的IP地址了,通过$remote_add
拿到的IP地址是反向代理服务器的iP地址。反向代理服务器在转发请求的 http 头信息中,可以增加x_forwarded_for
** 信息,用以记录原有客户端的IP地址和原来客户端的请求的服务器地址。
日志示例:
218.56.42.148 - - [19/Apr/2017:01:58:04 +0000] "GET / HTTP/1.1" 200 0 0.023 - "-" "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36" "-"
AWK 简介
为了能理解 AWK 程序,我们下面概述其基本知识。
AWK 程序可以由一行或多行文本构成,其中核心部分是包含一个模式和动作的组合。
pattern { action }
模式( pattern ) 用于匹配输入中的每行文本。对于匹配上的每行文本,awk 都执行对应的 动作( action )。模式和动作之间使用花括号隔开。awk 顺序扫描每一行文本,并使用 记录分隔符(一般是换行符)将读到的每一行作为 记录,使用 域分隔符( 一般是空格符或制表符 ) 将一行文本分割为多个 域, 每个域分别可以使用 $1, $2, … $n 表示。$1 表示第一个域, 2 表 示 第 二 个 域 , 2 表示第二个域, 2表示第二个域,n 表示第 n 个域。 $0 表示整个记录。模式或动作都可以不指定,缺省模式的情况下,将匹配所有行。缺省动作的情况下,将执行动作 {print},即打印整个记录。
此处使用Nginx access.log 举例,Tomcat 日志自己举一反三。
使用 awk 分解出Nginx access日志中的信息
218.56.42.148 - - [19/Apr/2017:01:58:04 +0000] "GET / HTTP/1.1" 200 0 0.023 - "-" "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36" "-"
- $0 就是整个记录行
- $1 就是访问 IP
”218.56.42.148”
- $4 就是请求时间的前半部分
“[19/Apr/2017:01:58:04”
- $5 就是请求时间的后半部分
“+0000]”
以此类推……
当我们使用默认的域分割符时,我们可以从日志中解析出下面不同类型的信息:
awk '{print $1}' access.log # IP 地址 ($remote_addr)
awk '{print $3}' access.log # 用户名称 $remote_user)
awk '{print $4,$5}' access.log # 日期和时间 ([$time_local])
awk '{print $7}' access _log # URI ($request)
awk '{print $9}' access _log # 状态码 ($status)
awk '{print $10}' access _log # 响应大小 ($body_bytes_sent)
awk '{print $11}' access _log # 请求时间 ($request_time)
awk '{print $12}' access _log # upstream响应时间 ($upstream_response_time)
我们不难发现,仅使用默认的域分隔符,不方便解析出请求行、引用页和浏览器类型等其他信息,因为这些信息之中包含不确定个数的空格。
因此,我们需要把域分隔符修改为 “ ,就能够轻松读出这些信息。
awk -F\" '{print $2}' access.log # 请求行 ($request)
awk -F\" '{print $4}' access.log # 引用页 ($http_referer)
awk -F\" '{print $6}' access.log # 浏览器 ($http_user_agent)
awk -F\" '{print $8}' access.log # 真实ip ($http_x_forwarded_for)
注意:这里为了避免 Linux Shell 误解 “ 为字符串开始,我们使用了反斜杠,转义了 “ 。
现在,我们已经掌握了 awk 的基本知识,以及它是怎样解析日志的。
使用场景举例
此处使用Nginx access.log 举例,Tomcat 日志自己举一反三。
浏览器类型统计
如果我们想知道那些类型的浏览器访问过网站,并按出现的次数倒序排列,我可以使用下面的命令:
awk -F\" '{print $6}' access.log | sort | uniq -c | sort -fr
此命令行首先解析出浏览器域,然后使用管道将输出作为第一个 sort 命令的输入。第一个 sort 命令主要是为了方便 uniq 命令统计出不同浏览器出现的次数。最后一个 sort 命令将把之前的统计结果倒序排列并输出。
发现系统存在的问题
我们可以使用下面的命令行,统计服务器返回的状态码,发现系统可能存在的问题。
awk '{print $9}' access.log | sort | uniq -c | sort
正常情况下,状态码 200 或 30x 应该是出现次数最多的。40x 一般表示客户端访问问题。50x 一般表示服务器端问题。
下面是一些常见的状态码:
- 200 - 请求已成功,请求所希望的响应头或数据体将随此响应返回。
- 206 - 服务器已经成功处理了部分 GET 请求
- 301 - 被请求的资源已永久移动到新位置
- 302 - 请求的资源现在临时从不同的 URI 响应请求
- 400 - 错误的请求。当前请求无法被服务器理解
- 401 - 请求未授权,当前请求需要用户验证。
- 403 - 禁止访问。服务器已经理解请求,但是拒绝执行它。
- 404 - 文件不存在,资源在服务器上未被发现。
- 500 - 服务器遇到了一个未曾预料的状况,导致了它无法完成对请求的处理。
- 503 - 由于临时的服务器维护或者过载,服务器当前无法处理请求。
HTTP 协议状态码定义可以参阅:
https://www.w3.org/Protocols/rfc2616/rfc2616.html
状态码相关统计
查找并显示所有状态码为 404 的请求
awk '($9 ~ /404/)' access.log
统计所有状态码为 404 的请求
awk '($9 ~ /404/)' access.log | awk '{print $9,$7}' | sort
现在我们假设某个请求 ( 例如 : URI: /path/to/notfound ) 产生了大量的 404 错误,我们可以通过下面的命令找到这个请求是来自于哪一个引用页,和来自于什么浏览器。
awk -F\" '($2 ~ "^GET /path/to/notfound "){print $4,$6}' access.log
追查谁在盗链网站图片
有时候会发现其他网站出于某种原因,在他们的网站上使用保存在自己网站上的图片。如果您想知道究竟是谁未经授权使用自己网站上的图片,我们可以使用下面的命令:
awk -F\" '($2 ~ /\.(jpg|gif|png)/ && $4 !~ /^http:\/\/www\.example\.com/)\
{print $4}' access.log \ | sort | uniq -c | sort
注意:使用前,将 www.example.com 修改为自己网站的域名。
- 使用 ” 分解每一行;
- 请求行中必须包括 “.jpg” 、”.gif” 或 ”.png”;
- 引用页不是以您的网站域名字符串开始( 在此例中,即 www.example.com );
- 显示出所有引用页,并统计出现的次数。
IP相关统计
统计共有多少个不同的 IP 访问:
awk '{print $1}' access.log |sort|uniq|wc – l
统计每一个 IP 访问了多少个页面:
awk '{++S[$1]} END {for (a in S) print a,S[a]}' log_file
将每个 IP 访问的页面数进行从小到大排序:
awk '{++S[$1]} END {for (a in S) print S[a],a}' log_file | sort -n
统计 2018 年 8 月 31 日 14 时内有多少 IP 访问 :
awk '{print $4,$1}' access.log | grep 31/Aug/2018:14 | awk '{print $2}'| sort | uniq | wc -l
统计访问最多的前十个 IP 地址
awk '{print $1}' access.log |sort|uniq -c|sort -nr |head -10
查看某一个 IP访问了哪些页面:
grep ^202.106.19.100 access.log | awk '{print $1,$7}'
统计某个 IP 的详细访问情况,按访问频率排序
grep '202.106.19.100' access.log |awk '{print $7}'|sort |uniq -c |sort -rn |head -n 100
响应页面大小相关统计
列出传输大小最大的几个文件
cat access.log |awk '{print $10 " " $1 " " $4 " " $7}'|sort -nr|head -100
列出输出大于 204800 byte ( 200kb) 的页面以及对应页面发生次数
cat access.log |awk '($10 > 200000){print $7}'|sort -n|uniq -c|sort -nr|head -100
列出访问最频的页面(TOP100)
awk '{print $7}' access.log | sort |uniq -c | sort -rn | head -n 100
列出访问最频的页面([排除php页面】(TOP100)
grep -v ".php" access.log | awk '{print $7}' | sort |uniq -c | sort -rn | head -n 100
列出页面访问次数超过100次的页面
cat access.log | cut -d ' ' -f 7 | sort |uniq -c | awk '{if ($1 > 100) print $0}' | less
列出最近1000条记录,访问量最高的页面
tail -1000 access.log |awk '{print $7}'|sort|uniq -c|sort -nr|less
PV 相关统计
统计每分钟的请求数,top100的时间点(精确到分钟)
awk '{print $4}' access.log |cut -c 14-18|sort|uniq -c|sort -nr|head -n 100
统计每小时的请求数,top100的时间点(精确到小时)
awk '{print $4}' access.log |cut -c 14-15|sort|uniq -c|sort -nr|head -n 100
统计每秒的请求数,top100的时间点(精确到秒)
awk '{print $4}' access.log |cut -c 14-21|sort|uniq -c|sort -nr|head -n 100
统计当天的 pv
grep "10/May/2018" access.log | wc -l
说明:
- awk ‘{ print $1}’:取数据的低1域(第1列)
- sort:对IP部分进行排序。
- uniq -c:打印每一重复行出现的次数。(并去掉重复行)
- sort -nr -k1:按照重复行出现的次序倒序排列,-k1以第一列为标准排序。
- head -n 10:取排在前10位的IP
页面响应时间相关统计
可以使用下面的命令统计出所有响应时间超过 3 秒的日志记录。
awk '($NF > 1){print $11}' access.log
cat access.log|awk '($NF > 3){print $7}'
注意:NF 是当前记录中域的个数。$NF 即最后一个域。
列出php页面请求时间超过3秒的页面,并统计其出现的次数,显示前100条
cat access.log|awk '($NF > 1 && $7~/\.php/){print $7}'|sort -n|uniq -c|sort -nr|head -100
列出相应时间超过 5 秒的请求,显示前20条
awk '($NF > 1){print $11}' access.log | awk -F\" '{print $2}' |sort -n| uniq -c|sort -nr|head -20
蜘蛛抓取统计
统计蜘蛛抓取次数
grep 'Baiduspider' access.log |wc -l
统计蜘蛛抓取404的次数
grep 'Baiduspider' access.log |grep '404' | wc -l
小结
通过本文的介绍,我相信同学们一定会发现 linux三剑客强大之处。在命令行中,它还能够接受,和执行外部的 AWK 程序文件,可以对文本信息进行非常复杂的处理,可以说“只有想不到的,没有它做不到的”。