Chinaunix首页 | 论坛 | 博客
  • 博客访问: 1134881
  • 博文数量: 414
  • 博客积分: 10030
  • 博客等级: 上将
  • 技术积分: 4440
  • 用 户 组: 普通用户
  • 注册时间: 2008-10-05 21:42
文章分类

全部博文(414)

文章存档

2011年(1)

2009年(1)

2008年(412)

我的朋友

分类: LINUX

2008-10-13 10:23:19

由于商务分析系统需要分析一些海量日志,今天粗略分析了一下http日志,做了一下ip分析,ip分析采用的我前面讲海量交叉分析的方法,800M日志 两,在5分钟可以将每个url的访问量按照顺序分析出来,同时把地理位置的访问量分布也可以算出来,速度还在理想预算之内。。

    代码比较简单:

#!/usr/bin/perl -w
use strict;
if(@ARGV!=1){
 print "\t $0 the Logfile\n\n\teg:  $0 httpd_20080328.log \n\n";
 exit;
}
my $file=shift;
my $total_line=0;
my %url;
my ($uv,$pv)=(0,0);
my ($effect,$uneffect)=(0,0);
my %uv;
my %ip;
open(F,"$file");
while(){
 if(my @info=$_=~ /(?:.*\.gif),(.*),\?info=(.{44})(.*)/){#先将访问的时间和ip地址用正择表达式取出,后面的第二次处理-----a
  my @date_ip=split(/,/,$info[0]);
  my ($access_time,$peer,$uid,$create_time,$action)=($date_ip[0],$date_ip[1],substr($info[1],0,32),substr($info[1],32,8),substr($info[1],40,4));
  my @tempip=split(/\./,$peer);
  my $int_ip=$tempip[0]*256*256*256+$tempip[1]*256*256+$tempip[2]*256+$tempip[3];
  if(not exists $ip{$int_ip}){#--将ip存入hash,对于重复的ip进行计数-----
   $ip{$int_ip}=1;
  }else{
   $ip{$int_ip}+=1;

  }
  if(not exists $uv{$uid}){#---将uv存入hash,对重复的id进行计数-----
   $uv{$uid}=1;
  }else{
   $uv{$uid}+=1;
  }
  if($action eq 'href'){
       my $string=$info[2];
       my @tmp=split(/http/,$string);
         my ($source_url,$current_url,$time)=("null","null",0);;
         my $num=$#tmp;
      if($num==1){#--http的字符串只有当前的url-----
                my $www=$string;
           if(my @time_get=$www=~ /\d{4}(.*)([0-9]{4})\&t=\d+/){#--能匹配到时间的情况--
                $current_url=$time_get[0];
                my @url=$current_url=~ /http:\/\/([a-zA-Z.0-9:_]*)\/.*/;
                if(not exists $url{"$url[0]"}){
                 $url{"$url[0]"}=1;
                }else{
                 $url{"$url[0]"}+=1;
                }
                $time=$time_get[1];
           }elsif(my @url_get=$www=~ /\d{4}(.*)\&t=\d+/){#--不能匹配到时间的情况--
               $current_url=$url_get[0];
               my @url=$current_url=~ /http:\/\/([a-zA-Z0-9:._]*)\/.*/;
               if(not exists $url{"$url[0]"}){
                  $url{"$url[0]"}=1;
               }else{
                  $url{"$url[0]"}+=1;
               }
               $time=0;
           }else{
               $uneffect++;
           }
       }else{#---http字符串中既有当前的url和上一次的url----
                my $www=$string;
           if(my @time_get=$www=~ /\d{4}(.*)refe[0-9]{4}(.*)([0-9]{4})&t=\d+/){#--能匹配到时间的情况--
                 $source_url=$1;
                 $current_url=$2;
                 $time=$3;
                 my @url=$current_url=~ /http:\/\/([a-zA-Z0-9:._]*)\/*/;
                 if(not exists $url{"$url[0]"}){
                  $url{"$url[0]"}=1;
                 }else{
                 $url{"$url[0]"}+=1;
                }
        
           }elsif(my @url_get=$www=~ /\d{4}(.*)refe\d{4}(.*)&t=\d+/){#--不能匹配到时间的情况---
               $source_url=$1;
                     $current_url=$2;
                     $time=0;
                my @url=$current_url=~ /http:\/\/([a-z0-9.A-Z:_]*)\/*/;
                if(not exists $url{"$url[0]"}){
                   $url{"$url[0]"}=1;
                }else{
                   $url{"$url[0]"}+=1;
               }
               
           }else{
               $uneffect++;
               
           }

      }
     }elsif( $action eq 'adid'){
         my $string=$info[2];
            my @tmp=split(/http/,$string);
            my ($adid,$cid,$source_url,$current_url,$time)=(0,0,'null','null',0);
            my $num=$#tmp;
            if($num==1){#adid中只有当前的url情况
                  my $www=$string;
                  if(my @url_get=$www=~ /\d{4}([0-9a-z]*)href\d{4}(http.*)refe\d{4}(.*)([0-9]{4})\&t=\d+/){
                  $adid=$url_get[0];
                        $current_url=$url_get[1];
                  $source_url=$url_get[2];
                        $time=$url_get[3];
                  my @url=$current_url=~ /http:\/\/([a-zA-Z0-9.:_]*)\/*/;
                  if(not exists $url{"$url[0]"}){
                   $url{"$url[0]"}=1;
                  }else{
                   $url{"$url[0]"}+=1;
                  }
             }elsif(my @time_get=$www=~ /\d{4}([0-9a-z]*)href\d{4}(http.*)refe\d{4}(.*)\&t=\d+/){
                  $adid=$url_get[0];
                  $current_url=$url_get[1];
                        $source_url=$time_get[2];
                  my @url=$current_url=~ /http:\/\/([a-zA-Z0-9.:_]*)\/*/;
                  if(not exists $url{"$url[0]"}){
                   $url{"$url[0]"}=1;
                  }else{
                   $url{"$url[0]"}+=1;
                  }
                        $time=0;                   
                        }else{
                             $uneffect++;
                        }
                                     
            }else{#adid中既有当前url和上一次的url
                my $www=$string;
                if(my @url_get=$www=~ /\d{4}([0-9a-z]*)href\d{4}(http.*)refe\d{4}(.*)([0-9-]{4})\&t=\d+/){ #--能匹配到时间的情况--
                  $adid=$url_get[0];
                        $current_url=$url_get[1];
                  $source_url=$url_get[2];
                        $time=$url_get[3];
                  my @url=$current_url=~ /http:\/\/([0-9a-zA-Z.:_]*)\/*/;
                  if(not exists $url{"$url[0]"}){
                      $url{"$url[0]"}=1;
                  }else{
                      $url{"$url[0]"}+=1;
                  }
           }elsif(my @time_get=$www=~ /\d{4}([0-9a-z]*)href\d{4}(http.*)refe\d{4}(.*)\&t=\d+/){#---不能匹配到时间的情况--
                  $adid=$url_get[0];
                  $current_url=$url_get[1];
                        $source_url=$time_get[2];
                        $time=0;     
                  my @url=$current_url=~ /http:\/\/([a-zA-Z0-9.:_]*)\/*/;
                  if(not exists $url{"$url[0]"}){
                      $url{"$url[0]"}=1;
                  }else{
                       $url{"$url[0]"}+=1;
                  } 
             
          }else{
                      $uneffect++;
               }
       }
   }
  }elsif(my @info2=$_=~ /(.*),(.*),(.*),/){
     my @tempip=split(/\./,$3);
      my $int_ip=$tempip[0]*256*256*256+$tempip[1]*256*256+$tempip[2]*256+$tempip[3];
      if(not exists $ip{$int_ip}){
           $ip{$int_ip}=1;
      }else{
           $ip{$int_ip}+=1;
      }
    $uneffect++;
 }
}


$total_line=$.;
close F;
#----统计域名级的访问量------
my $url_effect=0;
for (sort {$url{$a} <=> $url{$b}} keys %url){
 my $percent=sprintf("%5.2f",$url{"$_"}*100/$total_line);
 $url_effect+=$url{"$_"};
 print " URL: $_ 的访问量:$url{$_}    访问有效比:$percent%\n";
}
my $url_effect_percent=sprintf("%5.2f",$url_effect*100/$total_line);
print " 总访问量:$total_line   有效的url访问量:$url_effect   有效率:$url_effect_percent%\n\n";
#----end-----------


#-----IP统计-------

&ipstatics;

#----ip统计结束----

#------统计uv和pv的数值---------------
for (keys %uv){
 $uv++;
 $pv+=$uv{$_};

}
my $pv_percent=sprintf("%5.2f",$pv*100/$total_line);
my $uv_percent=sprintf("%5.2f",$uv*100/$pv);
print "  \n   UV 总数:$uv     PV 总数:$pv     PV所占访问百分比:$pv_percent%    UV占pv的百分比:$uv_percent%\n";

#--------IP统计函数(未完)-------------
sub ipstatics
{
  my $ipdb_file="/int_db";
  my (@ipstart,@ipend,@area);
  my %hash;
  my ($effect,$uneffect,$effect_uniq,$uneffect_uniq)=(0,0,0,0); #------分别对去重复的ip有效个数,ip无效个数进行计数,和对未去重复的ip的有效个数,和无效个数进行计数----
  open IPDB,"$ipdb_file";
  while(){
      my @temp=split/,/;
      push @ipstart,$temp[0];
      push @ipend,$temp[1];
      push @area,$temp[2];
  }
  close IPDB;
  my $max=$#ipstart;
  my $tag=0;
  for(sort keys %ip){
     do{$uneffect+=$ip{$_};$uneffect_uniq++;next} if(not defined $ipend[$tag]);
     my $ipseg_end=int $ipend[$tag];
     while(defined $ipend[$tag] and $_>$ipend[$tag]){
        $tag++;
     }
     do {$uneffect+=$ip{$_};$uneffect_uniq++} if($tag>$max);
     my ($start,$end)=(int $ipstart[$tag],int $ipend[$tag]);
     if($_> $start and $_ < $end){
         if(not exists $hash{$area[$tag]}){
              $hash{$area[$tag]}{'uniq'}=1;
              $hash{$area[$tag]}{'count'}=int $ip{$_}; 
         }else{
              $hash{$area[$tag]}{'uniq'}+=1;
              $hash{$area[$tag]}{'count'}+=int $ip{$_}; 
         }
        $effect+=$ip{$_};
        $effect_uniq++;   
     }else{
        $uneffect+=$ip{$_};
        $uneffect_uniq++; 
     }
 }
 my $total_ip_access=$effect+$uneffect;
 my $uniq_ip_total=$effect_uniq+$uneffect_uniq;
 my $ip_total=0;
 print "\n##########################################################\n";
 print "地区 \t      去重复的ip数目       访问的ip数目       访问比\n\n";
 for (sort {$hash{$a}{'count'}<=>$hash{$b}{'count'}} keys %hash){
     my $percent=sprintf("%5.2f",$hash{$_}{'count'}*100/$total_ip_access);
     $ip_total+=$hash{$_}{'count'};
     print  "$_ \t    $hash{$_}{'uniq'} \t   $hash{$_}{'count'} \t $percent\n";
  
 }
 my $effect_per=sprintf("%5.2f",$total_ip_access*100/$total_line);
 my $hit_per=sprintf("%5.2f",$effect_uniq*100/$uniq_ip_total);
 

    print " \n\n   总的访问数:$total_line 访问的ip总数:$total_ip_access   有效率: $effect_per\n";
    print " \n\n   总的ip数:$total_ip_access 命中ip库ip数:$effect==$ip_total  去重复的ip总数:$uniq_ip_total 去重复后命中ip库的总数:$effect_uniq  命中率: $hit_per\n";


 
 
接着将其转换为sql语句入库,做其他的数据分析。
阅读(636) | 评论(0) | 转发(0) |
给主人留下些什么吧!~~