12.10 Nginx访问日志 12.11 Nginx日志切割 12.12 静态文件不记录日志和过期时间

12.10 Nginx访问日志
12.11 Nginx日志切割

12.12 静态文件不记录日志和过期时间


Nginx访问日志

1.首先我们进入cat /usr/local/nginx/conf/nginx.conf 里面 下图是定义格式//这里log_format 我定义了etc(可以随意定义)


相对应参数意义


2.然后再配置文件添加配置

vim /usr/local/nginx/conf/vhost/test.conf 

    添加:

                access_log /nginx_log/nginx.log  etc;

定义日志存放路径, 后面跟格式名就是刚才在nginx.conf里面定义的log_format ,不定义会默认日志格式


3./usr/local/nginx/sbin/nginx -t 

    /usr/local/nginx/sbin/nginx -s reload    

4.测试

        curl -I -x127.0.0.1:80 test1.com 

查看日志:

        cat /nginx_log/nginx.log     //可以下图相对应的就是nginx.conf设置的格式



Nginx日志切割:

要想切割nginx日志需要借助系统的切割工具或者自定义脚本

下面示例自定义脚本切割+任务计划实现

  1.  创建一个脚本文件  //脚本最好都放在/usr/local/sbin下

            vim /usr/sbin/nginx_log_rotate.sh

  • #! /bin/bash
    d=`date -d "-1 day" +%Y%m%d`     //定义变量

     
    logdir="/nginx_log/"                           //指定日志切割路径
    nginx_pid="/usr/local/nginx/logs/nginx.pid"      //指定pid
    cd $logdir
    for log in `ls *.log`
    do
    mv $log $log-$d                                 //把原先的日志做个改名
    done
    /bin/kill -HUP `cat $nginx_pid`            

     2. 运行脚本   //加个-x查看过程

            sh -x /usr/sbin/nginx_log_rotate.sh


    3.查看日志有没有生效

    cd /nginx_log | ls


    4.指定任务计划

    0 0 * * *  /bin/bash /usr/sbin/nginx/nginx_log_rotate.sh  每天凌晨运行此脚本


静态文件不记录日志和过期时间

1.在虚拟主机配置文件添加以下配置:

            location ~ .*\.(gif|jpg|jpeg|png|bmp|swf)$       //匹配
{
expires  7d;                                //缓存时间
access_log off;
}
location ~ .*\.(js|css)$
{
expires  12h;
access_log off;

}

2.    /usr/local/nginx/sbin/nginx  -t

        /usr/local/nginx/sbin/nginx  -s reload

3. curl -x127.0.0.1:80 test.com/1.jpg  可以看到以下图没记录,当我输入jpgass就有记录了,证明生效


4.curl -x127.0.0.1:80 test.com/1.jpg -I   // 查询缓存时间   max-age=604800 等于7天也生效了


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值