（本文已不再同步更新，最新代碼請見github）
web_log_analyse
This tool aim at trouble shooting and performance optimization based on web logs, it’s not a generally said log analyse/statistics solution. It preprocess logs on all web server with a specified period and save the intermediate results into mongodb for finally use(with log_show.py)
日誌分析在日常中故障排查、性能分析方面有着非常重要的作用。該項目的側重點不是通常的PV，UV等展示，而是在指定時間段內提供細粒度（最小分鐘級別）的異常定位和性能分析。
Dependencies
- Python 3.4+
- pymongo-3.7.2+
- MongoDB-server 3.4+
先明確幾個術語：
uri指不包含參數的請求；request_uri指原始的請求，包含參數；args指請求中的參數部分。（參照nginx中的定義）
uri_abs和args_abs是指對uri和args進行抽象處理後的字符串（以便分類），例如：
"/sub/0/100414/4070?channel=ios&version=1.4.5"經抽象處理轉換爲uri_abs: “/sub/*/*/*”，args_abs: “channel=*&version=*”
功能
- 提供統一的日誌分析入口：經由此入口，可查看站點在所有server上產生的日誌的彙總分析；亦可根據
時間段和server兩個維度進行過濾 - 支持對
request_uri，ip和response_code三大類進行分析；每一類又基於請求數、響應大小、響應時間三個維度進行分析。另外不同子項又各有特點 request_uri分析能直觀展示哪類請求數量多、哪類請求耗時多、哪類請求佔流量；另外可展示某一類請求在不同時間粒度裏(minute, ten_min, hour, day)各指標隨時間的分佈變化；也可以針對某一 uri_abs 分析其不同 args_abs 各指標的分佈- IP 分析將所有請求分爲3種來源(from_cdn/proxy, from_reverse_proxy, from_client_directly)，三種來源各自展示其訪問量前 N 的 IP 地址；並且可展示某一 IP 訪問的各指標隨時間的分佈；也可針對某一 IP 分析其產生的不同 uri_abs 各指標的分佈
特點
- 核心思想: 對request_uri進行抽象歸類，將其中變化的部分以 “*” 表示，這樣留下不變的部分就能代表具體的一類請求。實際上是換一種方式看待日誌，從 “以具體的一行日誌文本作爲最小分析單位” 抽象上升到 “以某一功能點，某一接口或某一模塊最爲最小分析單位”
- 兼容plaintext和json格式的日誌內容
- 配置方便，不需要寫正則。只要將nginx中定義的log_format複製到config文件中即可
- 通過4分位數概念以實現對
響應時間和響應大小更準確的描述，因爲對於日誌中的響應時間，算數平均值的參考意義不大 - 支持定製抽象規則，可靈活指定請求中的某些部分是否要抽象處理以及該如何抽象處理
- 高效，本着誰產生的日誌誰處理的思想，日誌分析腳本log_analyse要在web服務器上定時運行（有點類似分佈式），因而log_analyse的高效率低資源也是重中之重。經測試，在筆者的服務器上（磁盤：3*7200rpm RAID5，千兆局域網），處理速度在20000行/s~30000行/s之間
實現思路：
分析腳本（log_analyse.py）部署到各臺web server，並通過crontab設置定時運行。log_analyse.py利用python的re模塊通過正則表達式對日誌進行分析處理，取得uri、args、時間當前、狀態碼、響應大小、響應時間、server name 等信息並進行初步加工然後存儲進MongoDB。查看腳本（log_show.py）作爲入口即可對所有web server的日誌進行分析查看，至於實時性，取決於web server上log_analyse.py腳本的執行頻率。
配置文件
日誌格式決定了代碼中的正則表達式，可根據自己情況參考config.py中的正則定義進行定製)。項目中預定義的日誌格式對應如下：
LOG_FORMAT = '$remote_addr - [$time_local] "$request" '\
'$status $body_bytes_sent $request_time "$http_referer" '\
'"$http_user_agent" - $http_x_forwarded_for'
對於異常日誌的處理
如果想靠空格或雙引號來分割各段的話，主要問題是面對各種不規範的記錄時(原因不一而足，而且也是樣式繁多)，無法做到將各種異常都考慮在內，所以項目中採用了re模塊而不是簡單的split()函數。代碼裏對一些“可以容忍”的異常記錄通過一些判斷邏輯予以處理；對於“無法容忍”的異常記錄則返回空字符串並將日誌記錄於文件。
其實對於上述的這些不規範的請求，最好的辦法是在nginx中定義日誌格式時，用一個特殊字符作爲分隔符，例如“|”。這樣就不需要re模塊，直接字符串分割就能正確的獲取到各段(性能會好些)。
log_show.py使用說明：
幫助信息
[ljk@demo ~]$ log_show --help
Usage:
log_show <site_name> [options] request [distribution [<request>]|detail <uri>]
log_show <site_name> [options] ip [distribution <ip>|detail <ip>]
log_show <site_name> [options] error [distribution <error_code>|detail <error_code>]
Options:
-h --help Show this screen.
-f --from <start_time> Start time. Format: %y%m%d[%H[%M]], %H and %M is optional
-t --to <end_time> End time. Format is same as --from
-l --limit <num> Number of lines in output, 0 means no limit. [default: 5]
-s --server <server> Web server hostname
-g --group_by <group_by> Group by every minute, every ten minutes, every hour or every day,
valid values: "minute", "ten_min", "hour", "day". [default: hour]
distribution Show distribution(about hits,bytes,time,etc) of:
all or specific 'request', the specific 'ip', the specific 'error_code' in every period.
Period is specific by --group_by
detail Show details of:
detail 'args' analyse of the specific 'uri'(if it has args);
detail 'uri' analyse of the specific 'ip' or 'error_code'
Notice: it's best to put 'request_uri', 'uri' and 'ip' in quotation marks.
所有示例均可通過-f，-t，-s參數對起始時間和指定server進行過濾
request子命令：
對指定站點今日已入庫的數據進行分析
[ljk@demo ~]$ log_show api request -l 3
====================
Total_hits:999205 invalid_hits:581
====================
hits percent time_distribution(s) bytes_distribution(B) uri_abs
430210 43.06% %50<0.03 %75<0.06 %100<2.82 %50<61 %75<63 %100<155 /api/record/getR
183367 18.35% %50<0.03 %75<0.06 %100<1.73 %50<196 %75<221 %100<344 /api/getR/com/*/*/*
102299 10.24% %50<0.02 %75<0.05 %100<1.77 %50<3862 %75<3982 %100<4512 /view/*/*/*/*.js
====================
Total_bytes:1.91 GB
====================
bytes percent time_distribution(s) bytes_distribution(B) uri_abs
1.23 GB 64.61% %50<0.04 %75<0.1 %100<1.96 %50<17296 %75<31054 %100<691666 /api/NewCom/list
319.05 MB 16.32% %50<0.02 %75<0.05 %100<1.77 %50<3862 %75<3982 %100<4512 /view/*/*/*/*.js
167.12 MB 8.55% %50<0.19 %75<0.55 %100<2.93 %50<3078 %75<3213 %100<11327 /api/getR/com/*/*
====================
Total_time:117048s
====================
cum. time percent time_distribution(s) bytes_distribution(B) uri_abs
38747 33.10% %50<0.03 %75<0.06 %100<2.82 %50<61 %75<63 %100<155 /api/record/getR
22092 18.87% %50<0.03 %75<0.06 %100<1.73 %50<196 %75<221 %100<344 /api/getR/com/*/*/*
17959 15.34% %50<0.19 %75<0.55 %100<2.93 %50<3078 %75<3213 %100<11327 /api/getRInfo/com/*/*
通過上例可觀察指定時間內（默認當天0時至當前時間）hits/bytes/time三個維度的排名以及響應時間和響應大小的分佈情況。例如，看到某個uri_abs只有比較少的hits確產生了比較大的bytes或耗費了較多的time，那麼該uri_abs是否值得關注一下呢。
ip子命令：
顯示基於ip地址的分析結果
[ljk@demo ~]$ log_show.py api ip -l 2
====================
From_cdn/Proxy: hits hits(%) bytes bytes(%) time(%)
==================== 199870 99.94 570.51 MB 99.99 99.99
Last_cdn_ip
xxx.57.xxx.189 1914 0.96 696.18 KB 0.12 0.68
xxx.206.xxx.154 1741 0.87 1.56 MB 0.27 0.98
User_ip_via_cdn
xxx.249.xxx.56 787 0.39 154.82 KB 0.03 0.23
xxx.60.xxx.86 183 0.09 1.05 MB 0.18 0.13
====================
From_reverse_proxy: hits hits(%) bytes bytes(%) time(%)
==================== 66 0.03 68.83 KB 0.01 0.01
User_ip_via_proxy
xxx.188.xxx.21 2 0.00 1.53 KB 0.00 0.00
xxx.5.xxx.4 2 0.00 324.00 B 0.00 0.00
====================
From_client_directly: hits hits(%) bytes bytes(%) time(%)
==================== 64 0.03 8.32 KB 0.00 0.00
Remote_addr
192.168.1.202 29 0.01 58.00 B 0.00 0.00
192.168.1.200 29 0.01 58.00 B 0.00 0.00
IP分析的思想是將請求按來源歸爲三大類：From_cdn/Proxy，From_reverse_proxy，From_client_directly，然後各自分類內按請求次數對IP地址進行排序
distribution 子命令：
- 對 “所有request” 或 “指定uri/request_uri” 按 “分/十分/時/天” 爲粒度進行聚合統計
- 對 “指定IP” 按 “分/十分/時/天” 爲粒度進行聚合統計
適用場景：查看request/IP隨時間在各聚合粒度內各項指標的變化情況，例如針對某個uri發現其請求數（或帶寬）變大，則可通過distribution子命令觀察是某一段時間突然變大呢，還是比較平穩的變大
# 示例1: 分析指定request的分佈情況, 指定按minute進行分組聚合, 默認顯示5行
[ljk@demo ~]$ python log_show.py api request distribution "/view/*/*.json" -g minute
====================
uri_abs: /view/*/*.json
Total_hits: 17130 Total_bytes: 23.92 MB
====================
minute hits hits(%) bytes bytes(%) time_distribution(s) bytes_distribution(B)
201803091654 1543 9.01% 2.15 MB 8.98% %50<0.03 %75<0.05 %100<1.07 %50<1593 %75<1645 %100<1982
201803091655 1527 8.91% 2.13 MB 8.88% %50<0.04 %75<0.05 %100<1.04 %50<1592 %75<1642 %100<2143
201803091656 1464 8.55% 2.05 MB 8.57% %50<0.04 %75<0.05 %100<1.03 %50<1592 %75<1642 %100<1952
201803091657 1551 9.05% 2.15 MB 8.97% %50<0.03 %75<0.04 %100<0.89 %50<1594 %75<1639 %100<1977
201803091658 1458 8.51% 2.06 MB 8.61% %50<0.03 %75<0.04 %100<2.35 %50<1596 %75<1644 %100<2146
通過上例，可展示"/view/*/*.json"在指定時間段內的分佈情況，包括hits/bytes/time總量以及每個粒度內個指標相對於總量的佔比；該子命令亦能展示各指標隨時間的“趨勢”。
說明：
minute字段爲指定的聚合（group）粒度，1803091654 表示“18年03月09日16時54分”
可通過-g參數指定聚合的粒度（minute/ten_min/hour/day）
distribution子命令後可以跟具體的uri/request_uri（顯示該uri/request_uri以指定粒度隨時間的分佈）或不跟uri（顯示所有請求以指定粒度隨時間的分佈）
# 示例2: 分析指定IP產生的請求數/帶寬隨時間分佈情況, 默認聚合粒度爲hour
[ljk@demo ~]$ python log_show.py api ip -t 180314 distribution "140.206.109.174" -l 0
====================
IP: 140.206.109.174
Total_hits: 10999 Total_bytes: 4.83 MB
====================
hour hits hits(%) bytes bytes(%)
2018031306 1273 11.57% 765.40 KB 15.47%
2018031307 2133 19.39% 1004.74 KB 20.31%
2018031308 2211 20.10% 1.00 MB 20.74%
2018031309 2334 21.22% 1.05 MB 21.72%
2018031310 2421 22.01% 850.79 KB 17.20%
2018031311 627 5.70% 226.30 KB 4.57%
說明：
hour字段表示默認的聚合粒度，18031306表示“18年03月13日06時”
-l 0 表示不限制輸出行數（即輸出所有結果）
detail 子命令：
- 對某一uri進行詳細分析，查看其不同參數（args）的各項指標分佈
- 對某一IP進行詳細分析，查看其產生的請求在不同uri_abs間的分佈情
適用場景：比如定位到某一類型的uri_abs在某方面（hits/bytes/time）有異常，就可以通過detail子命令對該類uri_abs進行更近一步的分析，精確定位到是哪種參數（args_abs）導致的異常；或者觀察到某個IP訪問異常，可以再深入一下該IP是泛泛的訪問呢，還是隻對某些uri感興趣。
# 示例1:
[ljk@demo ~]$ python log_show.py api -f 180201 request detail "/recommend/update" -l 3
====================
uri_abs: /recommend/batchUpdate
Total_hits: 10069 Total_bytes: 7.62 MB
====================
hits hits(%) bytes bytes(%) time(%) time_distribution(s) bytes_distribution(B) args_abs
4568 45.37% 3.46 MB 45.44% 47.96% %50<0.06 %75<0.07 %100<0.47 %50<795 %75<845 %100<1484 uid=*&category_id=*&channel=*&version=*
4333 43.03% 3.25 MB 42.64% 42.30% %50<0.05 %75<0.07 %100<0.48 %50<791 %75<840 %100<1447 category_id=*&channel=*&uid=*&version=*
389 3.86% 314.15 KB 4.03% 0.88% %50<0.03 %75<0.04 %100<0.06 %50<802 %75<850 %100<1203 category_id=*&channel=*&version=*
通過上例可觀察到"/recommend/update"這個uri所對應的不同參數各個指標的情況。另外還有一個附帶的發現：開發在書寫參數時相同的參數組合沒有按同一個順序書寫，雖不影響功能，但在精準的進行應用性能監控的時候會造成一定困擾。
說明：
detail子命令後跟隨uri（不含參數，含參數的話將忽略參數）
# 示例2: 觀察某個IP分別產生了多少種請求, 每種請求的(hits/bytes/time)指標
[ljk@demo ~]$ python log_show.py m -t 180314 ip detail "1.2.3.4"
====================
IP: 140.206.109.174
Total_hits: 10999 Total_bytes: 4.83 MB
====================
hits hits(%) bytes bytes(%) time(%) uri_abs
10536 95.79% 405.47 KB 8.19% 92.01% /introduction/watch
147 1.34% 1.90 MB 39.31% 1.93% /view/*/*.html
138 1.25% 407.42 KB 8.23% 2.41% /chapinfo/*/*.html
42 0.38% 644.88 KB 13.03% 1.38% /info/*.html
30 0.27% 229.98 KB 4.65% 1.14% /classify/*.json
log_analyse.py部署說明：
該腳本的設計目標是將其放到web server的的計劃任務裏，定時（例如每30分鐘或10分鐘，自定義）執行，在需要時通過log_show.py進行分析即可。
*/15 * * * * export LANG=zh_CN.UTF-8;python3 /home/ljk/log_analyse.py &> /tmp/log_analyse.log
Note
- 其中
uri_abs和args_abs是對uri和args進行抽象化（抽象出特定的請求模式，即將請求分類看待）處理之後的結果，默認規則如下
uri：將request_uri以"/“和”.“分割爲幾段，若某一段全部由數字組成則將其抽象爲一個”*"
args：將所有的value替換成"*" common/common.py中還有一些其他有趣的函數