引言
我前几天写过的性能工具之linux三剑客awk、grep、sed详解，我们已经详细介绍 linux 三剑客的基本使用，接下来我们看看具体在性能测试领域的运用，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
className directory suffix /> %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） %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 - - [ + "GET / HTTP/1.1" 200 10599 50 49 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 - 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。 218.56 - - [ + "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" "-" 为了能理解 AWK 程序，我们下面简单概述其基本知识，详细内容参照上文。 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。 此处使用Nginx access.log 举例，Tomcat 同学们自己举一反三。 使用 awk 分解出Nginx access日志中的信息 218.56 - - [ + "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" "-" 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 awk awk awk awk awk awk awk 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 awk awk awk 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 同学们自己举一反三 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 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 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。 状态码相关统计 查找并显示所有状态码为 404 的请求 awk awk | awk 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 使用 ” 分解每一行； 统计共有多少个不同的 IP 访问： awk awk awk awk | awk grep grep 列出传输大小最大的几个文件 cat access cat access awk grep | 列出页面访问次数超过100次的页面 cat access - | | tail 统计每分钟的请求数,top100的时间点(精确到分钟) awk awk awk grep awk ‘{ print $4}’：取数据的第4域（第4列） 可以使用下面的命令统计出所有响应时间超过 3 秒的日志记录。 awk 列出 php 页面请求时间超过3秒的页面，并统计其出现的次数，显示前100条 cat access awk | 统计蜘蛛抓取次数 grep grep | 通过本文的介绍，我相信同学们一定会发现 linux三剑客强大之处。在命令行中，它还能够接受和执行外部的 AWK 程序文件，支持对文本信息进行非常复杂的处理，可以说“只有想不到的，没有它做不到的”。
=
"org.apache.catalina.valves.AccessLogValve"
=
"logs"
prefix
=
"localhost_access_log."
=
".txt"
pattern
=
"%h %l %u [%{yyyy-MM-dd HH:mm:ss}t] %{X-Real_IP}i "%r" %s %b %D %F"
字段说明如下：
.
89.212
19
/
Apr
/
2017
:
03
:
06
:
53
0000
]
Nginx统计请求和后台服务响应时间
'$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：
$remote_user - 远程客户端用户名称，用于记录浏览者进行身份验证时提供的名字，如登录百度的用户名 zuozewei，如果没有登录就是空白。
[$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：
.
42.148
19
/
Apr
/
2017
:
01
:
58
:
04
0000
]
AWK 运用
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，$2 表示第二个域，$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。
.
42.148
19
/
Apr
/
2017
:
01
:
58
:
04
0000
]
$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……
'{print $1}'
access
.
logIP 地址 ($remote_addr)
'{print $3}'
access
.
log用户名称 $remote_user)
'{print $4,$5}'
access
.
log日期和时间 ([$time_local])
'{print $7}'
access _logURI ($request)
'{print $9}'
access _log状态码 ($status)
'{print $10}'
access _log响应大小 ($body_bytes_sent)
'{print $11}'
access _log请求时间 ($request_time)
'{print $12}'
access _logupstream响应时间 ($upstream_response_time)
-
F\"
'{print $2}'
access
.
log请求行 ($request)
-
F\"
'{print $4}'
access
.
log引用页 ($http_referer)
-
F\"
'{print $6}'
access
.
log浏览器 ($http_user_agent)
-
F\"
'{print $8}'
access
.
log真实ip ($http_x_forwarded_for)
-
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。
'{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：
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
'($9 ~ /404/)'
access
.
log
统计所有状态码为 404 的请求
'($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。
-
F\"
'($2 ~ "^GET /path/to/notfound "){print $4,$6}'
access
.
log
追查谁在盗链网站图片
-
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。
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
'{print $1}'
access
.
log
|
sort
|
uniq
|
wc
–
l
统计每一个 IP 访问了多少个页面：
'{++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：
'{++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 :
'{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10个 IP 地址
'{print $1}'
access
.
log
|
sort
|
uniq
-
c
|
sort
-
nr
|
head
-
10
列出某1个 IP访问了哪些页面：
^
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
'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
.
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
.
log
|
awk
'($10 > 200000){print $7}'
|
sort
-
n
|
uniq
-
c
|
sort
-
nr
|
head
-
100
列出访问最频的页面(TOP100)
'{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)
-
v
".php"
access
.
log
|
awk
'{print $7}'
sort
|
uniq
-
c
|
sort
-
rn
|
head
-
n
100
.
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
-
1000
access
.
log
|
awk
'{print $7}'
|
sort
|
uniq
-
c
|
sort
-
nr
|
less
PV 相关统计
'{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)
'{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)
'{print $4}'
access
.
log
|
cut
-
c
14
-
21
|
sort
|
uniq
-
c
|
sort
-
nr
|
head
-
n
100
统计当天的 pv
"10/May/2018"
access
.
log
|
wc
-
l
说明：
sort：进行排序。
uniq -c：打印每一重复行出现的次数。（并去掉重复行）
sort -nr：按照重复行出现的次序倒序排列。
head -n 100：取排在前100位的IP
页面响应时间相关统计
'($NF > 1){print $11}'
access
.
log
注意：NF 是当前记录中域的个数。$NF 即最后一个域。
.
log
|
awk
'($NF > 1 && $7~/.php/){print $7}'
|
sort
-
n
|
uniq
-
c
|
sort
-
nr
|
head
-
100
列出相应时间超过 5 秒的请求，显示前20条
'($NF > 1){print $11}'
access
.
log
|
awk
-
F\"
'{print $2}'
sort
-
n
|
uniq
-
c
|
sort
-
nr
|
head
-
20
蜘蛛抓取统计
'Baiduspider'
access
.
log
|
wc
-
l
统计蜘蛛抓取404的次数
'Baiduspider'
access
.
log
|
grep
'404'
wc
-
l
小结