本文是一篇关于信息、分析-的帖子
老大置布的务任，要分析一个5G巨细的nginx log file，因为我的python也是刚学，所以探索了久很，才实现了这个需求，话废不多话，简略暴粗，直接上代码！
功能分析：
1、统计Top 100 拜访数次最多的ip，并表现地理位置信息！这个是用的淘宝的地址库返回的ip地理位置及运营商信息 淘宝ip地址库REST API
注：这方地说明一下，log里录记的件文有的是段分发送给客户端，所以同一个ip可能只是拜访一次，但在log里表现了多条录记，在这里我就简略暴粗的把每一次都算作一个拜访录记！有待改良，其他学同也可以修改下，告诉我该应怎么识别多少条录记是一次整完的拜访！
2、统计Top 100 量流最高ip，并表现地理位置信息！
3、统计Top 100 拜访量流最高url表列！
4、log件文录记的总量流！
上面上代码，有要需的学同直接拿去！这个脚本分析一个4G的log用时13分阁下，系统配置（16G内存）！
（1）ip_location.py件文：利用淘宝ip地址库，返回ip地点家国，区域（份省），都会，运营商
ip_location.py
#!/usr/bin/env python # -*- coding: utf-8 -*- # the script is used to query the location of every ip import urllib import json #淘宝ip库接口 url = "http://ip.taobao.com/service/getIpInfo.php?ip=" def ip_location(ip): data = urllib.urlopen(url + ip).read() datadict=json.loads(data) for oneinfo in datadict: if "code" == oneinfo: if datadict[oneinfo] == 0: return datadict["data"]["country"] + datadict["data"]["region"] + datadict["data"]["city"] + "\t\t" + datadict["data"]["isp"]
（2）logparser.py件文：实现统计功能，详细见代码内释注！实现方法都很低级，毕竟是新手，谅见！
#!/usr/local/python # -*- coding: utf-8 -*- import os import time import re import sys import ip_location """定义一个间时类，可以选取要分析的间时段,如果没有指定间时段，则分析部全log""" class TimeParser(object): def __init__(self, re_time, str_time, period): self.__re_time = re.compile(re_time) self.__str_time = str_time self.__period = period def __get(self, line): t= re.search(self.__re_time, line).group(0) return time.mktime(time.strptime(t, self.__str_time)) def inPeriod(self, line): t = self.__get(line) return (t > time.mktime(time.strptime(self.__period[0], self.__str_time)) and t < time.mktime(time.strptime(self.__period[1], self.__str_time))) class ParseLog(object): def __init__(self, file, re_time, str_time, period): self.ip_dict = {} self.url_dict = {} try: self.domain, self.parsetime, self.suffix = file.split("_") except: self.domain = file.split(".")[0] self.parsetime = "unknown time" #定义一个数函，用来统计量数和总量流，并存入到应相字典中 def Count(self): #用TimeParser实例化CountTime CountTime = TimeParser(re_time, str_time, period) self.total_traffic = [] """ 以下for循环分析每一行，如果这一行不含包间时，就跳过，如果含包间时信息，且在所分析间时段内， 则统计ip和traffic，没有http_refer信息的行只录记ip，然后跳过！ """ with open(file) as f: for i, line in enumerate(f): try: if CountTime.inPeriod(line): ip = line.split()[0] try: traffic = re.findall(r'\d{3}\ [^0]\d+', line)[0].split()[1] except IndexError: traffic = 0 try: url = re.findall(r'GET\ .*\.*\ ', line)[0].split()[1] except IndexError: url = "unknown" else: continue except AttributeError: continue self.ip_dict.setdefault(ip, {'number':0, 'traffic':0})['number'] += 1 self.ip_dict.setdefault(ip, {'number':0, 'traffic':0})['traffic'] += int(traffic) self.url_dict.setdefault(url, 0) self.url_dict[url] += int(traffic) if not i % 1000000: print "have processed " + str(i) + " lines !" #统计总量流 self.total_traffic.append(int(traffic)) total = sum(self.total_traffic) #打印总量流巨细 print "******************************************************************" print self.domain + " all the traffic in " + self.parsetime + " is below:" print "total_traffic: %s" % str(total/1024/1024)+"MB" """定义两个字典，分离存储ip的量数和量流信息""" def TopIp(self, number): self.Count() TopNumberIp = {} TopTrafficIp = {} #对字典值赋 for ip in self.ip_dict.keys(): TopNumberIp[ip] = self.ip_dict[ip]['number'] TopTrafficIp[ip] = self.ip_dict[ip]['traffic'] #按值从大到小的次序排序键 SortIpNo = sorted(TopNumberIp.items(), key=lambda e: e[1], reverse=True) SortIpTraffic = sorted(TopTrafficIp.items(), key=lambda e: e[1], reverse=True) #出输连接数top 100 ip的相干信息到件文TopIpNo.txt中 ipno = open('TopIpNo.txt', 'w+') ipno.write(u"ip地址\t\t\t拜访数次\t\t家国/区域/都会\t\t\t运营商\n") ipno.write("-------------------------------------------------------------------------------------------------\n") for i in range(number): try: ipno.write(SortIpNo[i][0]+"\t\t"+str(SortIpNo[i][1])+"\t\t\t"+ip_location.ip_location(SortIpNo[i][0])+"\n") except: continue ipno.write("-------------------------------------------------------------------------------------------------\n") ipno.close() #出输量流top 100 ip的相干信息到件文iptraffic.txt中 iptr = open('iptraffic.txt', 'w+') iptr.write(u"ip地址\t\t\t总量流(MB)\t\t家国/区域/都会\t\t\t运营商\n") iptr.write("-------------------------------------------------------------------------------------------------\n") for i in range(number): try: iptr.write(SortIpTraffic[i][0]+"\t\t"+str(SortIpTraffic[i][1]/1024/1024)) #记入地理信息 iptr.write("\t\t\t"+ip_location.ip_location(SortIpTraffic[i][0])+"\n") except: continue iptr.write("-------------------------------------------------------------------------------------------------\n") iptr.close() def TopUrl(self, number): SortUrlTraffic = sorted(self.url_dict.items(), key=lambda e: e[1], reverse=True) #出输量流top 100 url相干信息到urltraffic.txt件文中 urtr = open('urltraffic.txt', 'w+') urtr.write("Filename".ljust(75)+u"TotalTraffic(MB)"+"\n") urtr.write("-----------------------------------------------------------------------------------------\n") for i in range(number): try: urtr.write(SortUrlTraffic[i][0].ljust(80)+str(SortUrlTraffic[i][1]/1024/1024)+"\n") except: continue urtr.write("-----------------------------------------------------------------------------------------\n") urtr.close() #间时的正则和格式，一般不要需改更 re_time='\d{2}\/\w{3}\/\d{4}:\d{2}:\d{2}:\d{2}' str_time='%d/%b/%Y:%H:%M:%S' #定义分析的间时段 period=("16/Nov/2000:16:00:00", "16/Nov/2015:17:00:00") #定义出输top number number = 100 if __name__ == '__main__': if len(sys.argv) < 2: print 'no logfile specified!' print "Usage: python logParser.py filename" time.sleep(2) sys.exit() else: file = sys.argv[1] lp = ParseLog(file, re_time, str_time, period) print print "Start to parse the " + file + " struggling! please wait patiently!" print print "******************************************************************" time.sleep(2) lp.TopIp(number) lp.TopUrl(number)
用法：python logparser.py 要分析的log件文名
文章结束给大家分享下程序员的一些笑话语录： 古鸽是一种搜索隐禽，在中国快绝迹了…初步的研究表明，古鸽的离去，很可能导致另一种长着熊爪，酷似古鸽，却又习性不同的猛禽类——犤毒鸟
扫一扫
923
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
