[linux:访问日志分析]

ygl23

===== 背景=====
 
作为一个程序员或项目负责人，甚至运营人员，很多人都想知道：
  * 我们的项目访问量怎么样
  * 用户访问高峰在什么时候
  * 系统变慢的时候用户做了哪些操作
  * 用户对哪些功能比较感兴趣
  * 真实用户在服务器上的操作轨迹是什么样的
  * 系统的瓶颈在哪
  * 哪些地方应该优化
  * 对什么地方优化可以收益最大化
  * 系统是否存在异常访问

却苦于无从获得这些信息。

其实，只要合理记录并仔细分析服务器的访问日志，上面问题都可以找到答案。
===== 日志格式定义 =====

为了更好的复用分析工具，另外我们也需要记录一些标准日志中没有的信息，因此需要定义用于分析的日志格式。

如果在项目中使用了多种web服务器，只需要根据具体情况定义一种即可。

从性能方便考虑，在apache或nginx上记录日志较好; 从分析的方便程度来说，tomcat或resin更方便一些（因为一般来说，只有动态请求会到达应用服务器，而这些请求也是我们最感兴趣的）。请大家根据自身项目的情况来选择.

==== 基本格式 ====

我们分析的access log格式如下:

执行时间 用户标识（非必需，可以从cookie或session中获得） 远程主机 请求时间 请求url(是否带参数均可) http响应状态 返回字节数

:!: 各种服务器记录执行时间的单位有所不同，tomcat和nginx为毫秒，resin和apache为微秒,这个需要特别注意。

==== apache日志配置 ====

LogFormat "%D %{xxx}C %h %t \"%r\" %>s %b \"%{Referer}i\"" simple
CustomLog logs/access_log simple

%D为服务器处理该请求的时间，单位为微秒。

%{xxx}C，从cookie中取名为xxx的cookie值

apache日志格式的说明，请参考 http://httpd.apache.org/docs/2.2/mod/mod_log_config.html#formats

==== nginx日志配置 ====

log_format simple '$request_time $cookie_xxx $remote_addr [$time_local]'
                    '"$request" $status $body_bytes_sent '
                    '"$http_referer"';

$request_time为服务器处理该请求的时间，单位为毫秒。

$cookie_xxx，从cookie中取名为xxx的cookie值

nginx日志格式的说明，请参考http://wiki.nginx.org/NginxHttpLogModule#log_format

==== tomcat日志配置 ====

<Valve className="org.apache.catalina.valves.AccessLogValve" directory="logs" 
               prefix="localhost_access_log." suffix=".txt" pattern='%D %{xxx}s %h %t "%r" %s %b %{Referer}i' resolveHosts="false"/>

%D为服务器处理该请求的时间，单位为毫秒。

%{xxx}s 从session中取得变量xxx的值

%{xxx}c 从cookie 中取得变量xxx的值

tomcat日志格式的说明，详见http://tomcat.apache.org/tomcat-6.0-doc/config/valve.html#Access%20Log%20Valve

==== resin日志配置 ====
 
<access-log path-format="logs/access_log.%Y-%m-%d.log" 
format='%D %{xxx}c %h %t "%r" %s %b "%{Referer}i"'
rollover-period="1D"/>

%D为服务器处理该请求的时间，单位为微秒。

%{xxx}c，从cookie中取名为xxx的cookie值

resin日志默认的写法在某些特定情况下会存在严重性能问题，导致所有线程被锁，服务器失去响应。因此请用上面配置完全替换原有配置。resin日志格式的详细说明，请参考http://caucho.com/resin-4.0/admin/logging.xtp#Access%20logging 。

==== 获得多次转发的客户端IP ====

在生产环境中，一般到应用服务器的时候，已经经过了多次转发，如array-->apache(nginx)-->tomcat(resin),这个时候，如果我们想要在access log中获得用户客户端的原始IP，就需要做一些特殊配置。

nginx在进行转发时，一般会设置

proxy_set_header  X-Real-IP  $remote_addr;

此时，nginx后面的服务器在配置access log时，需要将%h改为%{X-Real-IP}i

array,apache，squid在转发时，一般都会将客户端真实ip放到header中X-Forwarded-For，那么，他们后面的服务器在配置access log时，需要将%h改为%{X-Forwarded-For}i

nginx作为backend server时，跟上面情形有所不同，需要做一些特殊配置：

首先，编译时需要添加一个参数 --with-http_realip_module

然后，需要做如下设置：
设置信任ip列表,也就是负载均衡设备的ip,可以是一个或多个。然后设置保存客户端真实IP的header变量名，一般是X-Real-IP或X-Forwarded-For，如下

set_real_ip_from   192.168.1.0/24;
set_real_ip_from   192.168.2.1;
real_ip_header     X-Real-IP;

===== 概要分析脚本 timeout.awk =====
#对于请求超时的记录进行标记，并打印出来
#!/bin/sh
BEGIN{
#基础单位，tomcat/apache为1设为1,resin/nginx/设为1000.
base=1
#超时阀值，建议设为300-500,单位为毫秒
valve=500
}
#剔除静态文件请求
$7 ~ /\.[jd][hsw][ptr][m]?[l]?[\b\?]?|^\/dwr/ {
#总体统计
costTime=$1/base
sumTime+=costTime
totalCount++
if(min>costTime) min=costTime
if(max<costTime) max=costTime

#分布区间
if(costTime>=0 && costTime<1000) {area01+=1}
if(costTime>=1000 && costTime<2000) {area12+=1}
if(costTime>=2000 && costTime<3000) {area23+=1}
if(costTime>=3000 && costTime<4000) {area34+=1}
if(costTime>=4000 && costTime<5000) {area45+=1}
if(costTime>=5000) {area50+=1}

#超时统计
pos=index($7,"?")
if(pos>0) {url=substr($7,0,pos-1)}
else { url=$7 }

urlCount[url]++
urlsumTime[url]+=costTime
if(costTime>valve)
{ urlTimeout[url]++ }

}
END{
printf("\n当前正在分析文件%s,共处理%s个请求，响应时间最小为%2dms,最大为%8dms,平均%4dms\n",FILENAME,totalCount,min,max,sumTime/totalCount)
printf("\n所有请求的分布区间如下:\n")
printf("小于1秒的请求%8d个,占%.2f%\n",area01,area01/totalCount*100)
printf("1--2秒的请求%8d个，占%.2f%\n",area12,area12/totalCount*100)
printf("2--3秒的请求%8d个，占%.2f%\n",area23,area23/totalCount*100)
printf("3--4秒的请求%8d个，占%.2f%\n",area34,area34/totalCount*100)
printf("4--5秒的请求%8d个，占%.2f%\n",area45,area45/totalCount*100)
printf("大于5秒的请求%8d个,占%.2f%\n",area50,area50/totalCount*100)
printf("\n下面是请求超时严重的url列表，需要重点优化，当前超时设定为%5dms\n",valve)
for(url in urlTimeout)  {
 #超时小于等于3次，或者超时比例20%以下的不输出
 if(urlTimeout[url]>3 && (urlTimeout[url]/urlCount[url]>0.2)) {
 printf("%-80s共处理%5d次,超时%5d次,占%3.2f%,平均耗时%6dms\n",url,urlCount[url],urlTimeout[url],urlTimeout[url]/urlCount[url]*100,urlsumTime[url]/urlCount[url])
 }
 }
}

===== 概要分析脚本 timeout.awk =====
用于生成一个日志分析概览，可以对当前系统的性能有个大概了解，分析结果样式如下：

执行命令

awk -f timeout.awk valve=200 base=1 datafile

其中，valve为超时的阀值，默认500ms,base根据服务器类型，tomcat/apache为1,resin/nginx为1000;
这个脚本仅分析jsp/jhtml/dwr请求，不统计对静态资源的请求。

===== 分析命令 =====

下面在分析核心爆破英语项目时，一些我常用的分析命令，等有时间了再整理为一个工具,也欢迎大家贡献自己的想法。

下面命令仅适用于tomcat和nginx日志，如果是apache或resin日志，请将$1>10替换为$1>10000,这个条件主要用于过滤静态请求。

cost time 10 大 url

awk '$1>10 {print $0}' localhost_access_log.2010-05-21.txt |awk '{print $7}'|awk -F? '{print $1}'|sort|uniq -c|sort -rbg|sed 10q

访问量10大时间点（分钟）

awk '$1>10 {print $0}' localhost_access_log.2010-05-21.txt |awk '{print $4}'|awk -F: '{print $2":"$3}'|sort|uniq -c|sort -rbg|sed 10q

10大ip （访问量最大）

awk '$1>10 {print $0}' localhost_access_log.2010-05-21.txt|awk '{print $3}'|sort|uniq -c|sort -rbg|sed 10q

url时间点分布 （指定URL 访问量 按分钟）

awk '$7~"startLinker.jhtml" {print $0}' localhost_access_log.2010-05-21.txt |awk '{print $4}'|awk -F: '{print $2":"$3}'|uniq -c

指定ip时间点分布 （指定IP 访问量 按分钟）

awk '$1>10 {print $0}' localhost_access_log.2010-05-21.txt |grep '192.168.30.21\b' |awk '{print $4}'|awk -F: '{print $2":"$3}'|uniq -c

指定时间点url分布 （具体某一分钟）

awk '$1>10 {print $0}' localhost_access_log.2010-05-21.txt|grep '12:45'|awk '{print $7}'|awk -F? '{print $1}'|sort|uniq -c|sort -bg

根据用户名查找登录过的ip

awk '{print $2" "$3}' localhost_access_log.2010-05-21.txt |grep 's01o050'|awk '{print $2}'|sort|uniq