Python解析nginx日志示例

Python项目的一个需求是解析nginx的日志文件，这里给出详细过程解析。

日志规则描述

首先要明确自己的Nginx的日志格式，这里采用默认Nginx日志格式：

log_formatmain'$remote_addr-$remote_user[$time_local]"$request"'
'$status$body_bytes_sent"$http_referer"'
'"$http_user_agent""$http_x_forwarded_for"';

其中一条真实记录样例如下：

代码如下:

172.22.8.207 - - [16/Dec/2014:17:57:35 +0800] "GET /report?DOmjjuS6keWJp+WculSQAgdUkAIPODExMzAwMDJDN0FC HTTP/1.1" 200 0 "-" "XXXXXXX/1.0.16; iPhone/iOS 8.1.2; ; 8DA77E2F91D0"

其中，客户端型号信息用XXXXXXX代替。

项目中已经按照业务规则对Nginx日志文件进行了处理命名规则如下：

ID-ID-YYMMDD-hhmmss

并且所有的日志文件存放在统一路径下。

解决思路

获取所有日志文件path

这里使用Python的glob模块来获取日志文件path

importglob
defreadfile(path):
returnglob.glob(path+'*-*-*-*')

获取日志文件中每一行的内容

使用Python的linecache模块来获取文件行的内容

importlinecache


defreadline(path):
returnlinecache.getlines(path)

注意：linecache模块使用了缓存，所以存在以下问题：

在使用linecache模块读取文件内容以后，如果文件发生了变化，那么需要使用linecache.updatecache(filename)来更新缓存，以获取最新变化。

linecache模块使用缓存，所以会耗费内存，耗费量与要解析的文件相关。最好在使用完毕后执行linecache.clearcache()清空一下缓存。

当然，作为优化，这里可以利用生成器来进行优化。暂且按下不表。

处理日志条目

一条日志信息就是一个特定格式的字符串，因此使用正则表达式来解析，这里使用Python的re模块。

下面，一条一条建立规则：

规则

ip=r"?P<ip>[\d.]*"
date=r"?P<date>\d+"
month=r"?P<month>\w+"
year=r"?P<year>\d+"
log_time=r"?P<time>\S+"
method=r"?P<method>\S+"
request=r"?P<request>\S+"
status=r"?P<status>\d+"
bodyBytesSent=r"?P<bodybytessent>\d+"
refer=r"""?P<refer>
[^\"]*
"""
userAgent=r"""?P<useragent>
.*
"""
</useragent></refer></bodybytessent></status></request></method></time></year></month></date></ip>

解析

代码如下:

p=re.compile(r"(%s)\-\-\\[(%s)/(%s)/(%s)\:(%s)\[\S]+\]\\"(%s)?[\s]?(%s)?.*?\"\(%s)\(%s)\
\"(%s)\"\\"(%s).*?\""
%(ip,date,month,year,log_time,method,request,status,bodyBytesSent,refer,userAgent),\
re.VERBOSE)
m=re.findall(p,logline)

这样，就可以得到日志条目中各个要素的原始数据。

格式及内容转化

得到日志原始数据之后，需要根据业务要求，对原始数据进行格式及内容转化。

这里需要处理的内容包括：时间，request，userAgent

时间格式转化

在日志信息原始数据中存在Dec这样的信息，利用Python的time模块可以方便的进行解析

importtime
defparsetime(date,month,year,log_time):
time_str='%s%s%s%s'%(year,month,date,log_time)
returntime.strptime(time_str,'%Y%b%d%H:%M:%S')

解析request

在日志信息原始数据中得到的request的内容格式为：

/report?XXXXXX

这里只需要根据协议取出XXXXXX即可。

这里仍然采用Python的re模块

importre
defparserequest(rqst):
param=r"?P<param>.*"
p=re.compile(r"/report\?(%s)"%param,re.VERBOSE)
returnre.findall(p,rqst)

接下来需要根据业务协议解析参数内容。这里需要先利用base64模块解码，然后再利用struct模块解构内容：

importstruct
importbase64
defparseparam(param):
decodeinfo=base64.b64decode(param)
s=struct.Struct('!x'+bytes(len(decodeinfo)-(1+4+4+12))+'xii12x')
returns.unpack(decodeinfo)

解析userAgent

在日志信息原始数据中userAgent数据的格式为：

XXX; XXX; XXX; XXX

根据业务要求，只需要取出最后一项即可。

这里采用re模块来解析。

importre
defparseuseragent(useragent):
agent=r"?P<agent>.*"
p=re.compile(r".*;.*;.*;(%s)"%agent,re.VERBOSE)
returnre.findall(p,useragent)

至此，nginx日志文件解析基本完成。