开源网站访问统计系统Piwik的基本使用
摘要
作为网站站长，对于网站统计的系统可能并不陌生，如百度统计，google analysis之类的产品并不陌生。本文介绍的是一种替代这一类产品的开源系统——piwik，功能上一点不输于商业的统计系统。
piwik
目录[-]
目录[-]
最近试用了开源的网站访问统计系统——piwik，觉得功能非常强大，一点不输于商业产品百度统计与google analysis，替代他们完全没有问题。
关于piwik的简介可以去piwik的官网(http://piwik.org)查看，有详细的介绍和视频演示。之前OSChina也有简单的介绍(http://www.oschina.net/p/piwik)。
以下是采集到的分析数据效果图：
首先需要解决依赖项(http://piwik.org/docs/requirements/)，ubuntu/debian使用下列命令安装所有依赖项(我用的是apache，别的webserver请替换成相应的软件包)
|
1
|
apt-get install apache2 mysql-server php5 php5-mysql php5-gd
|
如需定位访客的地理位置，参考官方文档: http://piwik.org/docs/geo-locate/， 或者使用JS追踪的方式，通过JS代码获取访客的IP归属地。
安装过程参考官方文档(http://piwik.org/docs/installation)，比较简单，就不详细介绍了。
配置好apache之后，通过浏览器访问，一步步配置完毕之后，看到如下界面之后，就可以使用了：
刚装好的Piwik是空空如也的，此时我们需要这个系统帮我们统计数据。
目前Piwik支持两种采集用户访问记录的方式： JS追踪和访问日志追踪。
JS追踪可定制型高，可以获取到用户的分辨率，浏览器插件等等，还可以捕获自定义变量。访问日志追踪(如apache的accesslog)可以追踪到用户的错误请求(如40X错误，有助于捕获到恶意用户和爬虫，蜘蛛等等)，目前这两种追踪得到的数据还不支持合并
这两种追踪模式的详细优缺点可以参考官方的这篇文档: http://piwik.org/faq/log-analytics-tool/faq_16305/
在管理设置-网站-右边即可看到"显示跟踪代码"，如下图所示：
将此代码复制到web项目的footer中即可(即所有页面都嵌入这段相同的js代码，用于捕获用户的信息，如分辨率，浏览器UA，IP等)，还可以按照官方文档，捕获自定义变量。
参考官方文档的帮助，这里不再赘述： http://piwik.org/docs/javascript-tracking/
log追踪无需修改web项目，但是必须要有登录服务器并读取accesslog的权限。
log追踪的详细用法参考官方文档: http://piwik.org/faq/log-analytics-tool/, https://piwik.org/log-analytics/
log追踪的过程是解析webserver的accesslog，然后通过piwik的API上传，最终在piwik页面上展示。
这个过程不用自己去实现了，piwik的压缩包中已经带有一个python脚本可以帮助我们完成这个工作了，该脚本存储于piwik目录下的misc/log-analytics/import_logs.py。
将这个脚本远程拷贝到目标服务器上，按照脚本的参数格式执行即可，我的命令行：
|
1
|
./import_logs.py --url=http:
//192.168.1.106/piwik/ --idsite=1 --recorders=2 --token-auth=319fb461d3225905039551e861edde60 --enable-static --enable-bots --enable-http-errors --enable-http-redirects /var/log/apache2/access.log
|
使用--help参数即可看到这个脚本的命令行，只有一个--url参数是必须的，指明piwik的访问路径。详细帮助参见官方文档(https://piwik.org/docs/log-analytics-tool-how-to/)，这里对我使用的参数做一下简介：
--idsite表明抓取到的信息上传到哪个序号对应的网站(这里的参数为1，代表解析的数据会统计到first_web这个网站中)
--token-auth这个参数是管理员的访问token，在系统页面最顶上的API点开即可看到，如下图所示。这个参数可以使用--login=LOGIN --password=PASSWORD这两个参数替代，必须是管理员的账户和密码。
--recorders使用多线程解析，默认为1，官方建议这个参数和核心数一致。
--enable-static --enable-bots --enable-http-errors这三个参数基本上把apache的accesslog能抓取到的全部信息都抓全了，抓取静态资源(jpg,png,js,css等非html的访问)，抓取bots(不知道这个是什么，猜测是否是机器人？)，抓取html错误码(如40X请求等等)
/var/log/apache2/access.logapache的accesslog存放路径，常见的webserver如nginx,lighthttpd等，脚本自带有解析引擎，无需别的参数，如果非常见webserver的话，加上--log-format-regex这个参数来自定义日志格式抓取。
当脚本执行完毕时，即可在piwik中看到网站的访问记录了，使用也很方便。长期使用可以写入crontab即可。
注意:
--enable-static --enable-bots --enable-http-errors这三个参数，解析过程将会很缓慢(我这边大概十几条每秒)，不要让crontab太频繁，会直接让mysql数据库超出连接而挂掉，我是每4小时执行一次crontab。1，log追踪和js追踪的方式互有优势，都可以抓到一些对方所无法获取的信息，但是目前这两种方式追踪到的数据还不支持合并，因此，需要同时使用这两种方式追踪时，建议分开两个不同的网站追踪不同的数据，如first_web用于JS追踪，first_web(log)用于log追踪。参见官方FAQ： http://piwik.org/faq/log-analytics-tool/faq_16307/
2，当访问量较高时，请关闭Piwik触发处理，已提高页面响应，刷新报表数据由后台crontab执行，参考如下图所示，crontab的设置见右边的提示中的官方文档：
3，自动邮件的时间有些问题，piwik内部时间使用的是UTC时间，也就是中国时区(CST,东八区)比UTC时区的时间快8个小时。如果使用默认的邮件发送时间0点发送，将会收到前天的访问记录报表(中国时间0点对应UTC时间昨天的16点，那么此时发昨天的报表就会收到前天的报告)。
这个问题已经给官方提过issue，不过官方还没有回应我： http://forum.piwik.org/read.php?2,111809
暂时的方案是把时间改到8点以后，就可以收到正常的邮件报表。