apache日志生成器+apache日志分析器

问题描述：

apache日志记录了很多访问者的信息

网络上已经有了很多专业的apache日志分析工具

本文首先给出了一个简易apache日志生成器

然后用python对该日志做了一些常见的分析

目的1：是为了熟练python及python里的re模块

目的2：了解一些apache日志分析

=======================================================================

本文的apache日志主要生成如下几个部分：
远程主机地址 - - [时间] "METHOD RESOURCE PROTOCOL" 状态代码 发送给客户端的总字节数

例如：97.83.32.128 - - [22/Jun/2012:04:47:01 +0800] "GET /abc/acb/abc/?bac=0 HTTP/1.1" 300 1676

废话不多说，先给出apache日志生成器的代码

apache日志生成器

 1 import random

 2 def generate_mrp():

 3     method_list = ['GET', 'POST', 'HEAD']

 4     re_li = ['abc', 'acb', 'bac', 'bca', 'cab', 'cba']

 5     method = method_list[random.randint(0, 2)]

 6     resource ='/%s/%s/%s/?%s=%s' % (re_li[random.randint(0, 5)], re_li[random.randint(0, 5)],

 7                                     re_li[random.randint(0, 5)], re_li[random.randint(0, 5)], random.randint(0, 3))

 8     return '\"%s %s HTTP/1.1\"' % (method,resource)

 9 

10 def generate_ip():

11     global global_ip

12     if random.random() > 0.2:

13         temp = []

14         for i in range(4):

15             id = random.randint(1, 128)

16             temp.append(str(id))

17         global_ip = '.'.join(temp)

18     return global_ip

19 

20 def generate_time():

21     global global_time

22     if random.random() < 0.2:

23         return global_time

24     month_list = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec']

25     day = random.randint(1, 31)

26     rmonth = random.randint(4, 5)

27     month = month_list[rmonth]

28     year = 2012

29     hour = random.randint(0, 23)

30     if hour < 10:

31         hour = '0' + str(hour)

32     minute = random.randint(0, 59)

33     second = random.randint(0, 59)

34     if minute < 10:

35         minute = '0' + str(minute)

36     if second < 10:

37         second = '0' + str(second)

38     global_time = '[%s/%s/%s:%s:%s:%s +0800]' % (day, month, year, hour, minute, second)

39     return global_time

40 

41 #start here

42 global_ip = '127.0.0.1'

43 global_time = '[5/Nov/2012:12:01:07 +0800]'

44 

45 print 'please enter the number of log to generate'

46 while True:

47     try:

48         number = input()

49     except NameError:

50         print  'please enter an number'

51         continue

52     if number <= 0:

53         print 'please enter an possitive number'

54         continue 

55     break

56 

57 print 'please enter a filename to output the apache log data'

58 filename = raw_input()

59 f=open(filename, 'w')

60 while number:

61     temp=[]

62     temp.append(generate_ip())

63     temp.append('- -')

64     temp.append(generate_time())

65     temp.append(generate_mrp())

66     temp.append(str(100 * random.randint(1, 3)))

67     temp.append(str(random.randint(0, 2000)))

68     f.write(' '.join(temp) + '\n')

69     number = number - 1

70 f.close()

=======================================================================

 至于apache日志分析，本文主要做了如下两个 分析 不过可以扩展。

3. 对于apache日志, 找出类似爬虫的查询语句(同一个ip一天访问次数超过N次), 放到以扫描当天日期如20090704命名的文件中

使用了一个dic（a, list[b, c]），a是由ip地址和日期 生成的hash值, b 是ip地址 c是计数用

4. 对于apache日志，统计所有query的pv和平均pv

同理使用了一个dic（a, list[b, c, d]) , a是由日期生成 的hash值， b是日期 c 是当天的pv值，d是当天ip数（去重复）

为了去重复这里 d用的是一个set

还有一点这里的pv没有考虑局域网内多个用户共用一个IP地址的情况，假设一个IP就一个用户在用。

如果要考虑的话还要 检测cookie

目前没想到更好的方法 如果你有更好的方法 一定要告诉我

 最后给出apache日志分析器的代码

apache日志分析器

 1 import time

 2 import re

 3 

 4 class Apache(object):

 5     filename = 'apache.log'

 6     number = 1

 7     #global range means the range of the number you can enter is [0: range]

 8     range = 3

 9     linedata = []

10     def show(self):

11         print '>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>'

12         print '>>please enter a number to start the apache log analysis                   >>' 

13         print '>>1:找出同一天访问次数超过N次的IP并放到以扫描当天日期命名的文件中          >>'

14         print '>>2:统计每天所有query的pv和平均pv并放到文件pv                              >>'

15         print '>>3:'

16         print '>>0:exit system                                                            >>'

17         print '>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>'

18         self.range = 3

19 

20     def input_number(self, low, up):

21         try:

22             self.number = input()

23         except NameError:

24             print '\n!!please enter an number'

25             return False

26         if self.number >= low and self.number <=up :

27             return True

28         else:

29             print '\n!!please enter an number in [0:'+str(self.range)+']'

30             return False

31 

32     def analysis(self):

33         try:

34             f=open(self.filename, 'r')

35         except IOError:

36             print '\n!!file %s is not exits' % apache.filename

37             exit(0)

38         data = f.readlines()

39         for line in data:

40             self.linedata.append(re.split(' ',line))

41         while self.number:

42             self.show()

43             if not self.input_number(0, self.range):

44                 continue

45             if self.number == 0:

46                 print '\n!!system exiting, byebye'

47             else:

48                 if not self.method():

49                     continue

50             print '\n!!finished'

51 

52     def method(self):

53         if self.number == 1:

54             print '\n!!please enter the number N'

55             if not self.input_number(1, 1000000):

56                 return False

57             strtime = time.strftime("%Y%m%d",time.localtime())

58             f = open(strtime, 'w')

59             count = {}

60             for line in self.linedata:

61                 iptime = re.split('/', line[3])

62                 temp = line[0] + iptime[0] + iptime[1] +']'

63                 key = hash(temp)

64                 if key in count:

65                     count[key] = [temp, count[key][1] + 1]

66                 else:

67                     count[key] = [temp, 1]

68             for k, v in count.items():

69                 if v[1] > self.number:

70                     f.write('%s %s\n' % (v[0], v[1]))

71             f.close()

72             return True

73 

74         if self.number == 2:

75             f = open('pv.txt', 'w')

76             count = {}

77             for line in self.linedata:

78                 timelist = re.split('/', line[3])

79                 iplist = re.split('\.', line[0])

80                 monthday = timelist[0] + timelist[1] + ']'

81                 ipnum = int(''.join(iplist))

82                 key = hash(monthday)

83                 if key in count:

84                     count[key][1] = count[key][1] + 1

85                     count[key][2].add(ipnum)

86                 else:

87                     ipset=set()

88                     ipset.add(ipnum)

89                     count[key] = [monthday, 1, ipset]

90             

91             for k, v in count.items():

92                 f.write('%s %s %s\n' %(v[0], v[1], float(v[1]) / len(v[2])))

93             f.close()

94 

95 if __name__ == '__main__':

96     apache = Apache()

97     apache.analysis()

最后很多分析工作可以结合shell命令来做比如：

问题1：在apachelog中找出访问次数最多的10个IP。

awk '{print $1}' apache.log |sort |uniq -c|sort -nr|head

问题2：在apache日志中找出访问次数最多的几个分钟。

awk '{print $4}' apache.log |awk -F"/" '{print $3}'|cut -c 6-10|sort|uniq -c|sort -nr|head

问题3：在apache日志中找到访问最多的页面：

awk '{print $7}' apache.log|sort|uniq -c|sort -nr|head

问题4：分析日志查看当天的ip连接数

grep '22/Jun/2012' apache.log| awk '{print $1}' |wc -l

问题5：查看指定的ip在当天究竟访问了什么urlgrep '^97.83.32.128.*22/Jun/2012' apache.log| awk '{print $7}'

用apache日志生成器生成日志后 就可以直接使用上面的命令了

分析apache日志还是很有用的，可惜我的数据是随机生成的，很多规律都无法模拟。

如果要较真实的模拟的话，还得改下代码。