如何使用Python统计分析access日志

一、前言

性能场景中的业务模型建立是性能测试工作中非常重要的一部分。而在我们真实的项目中，业务模型跟线上的业务模型不一样的情况实在是太多了。原因可能多种多样，这些原因大大降低了性能测试的价值。

今天的文章中，我想写的是最简单的逻辑。那就是从基于网关 access 日志统计分析转化到具体的场景中的通用业务模型。

详细的介绍请参考《性能测试实战30讲》 中的 【14丨性能测试场景：如何理解业务模型？】

通用业务场景模型。就是将这一天的所有业务数加在一起，再将各业务整天的交易量加在一起，计算各业务量的比例。

二、前置工作

首先我们从高峰日取出一天的网关 access 日志，这里示例大概有 1400+ 万的记录

[root@k8s-worker-4 ~]# wc -l access.log 
14106419 access.log

至于网关 access 日志如何配置，可以参看之前的文章 

我们得到的 access 日志内容一般如下：

/Feb/2021:13:52:14 +0800] "POST /mall-order/order/generateOrder HTTP/1.1" 500 133 8201 52 ms

对应的字段如下：

address, user, zonedDateTime, method, uri, protocol, status, contentLength, port, duration.

那么，我们的需求来了，如何通过分析 access 日志，获取每个接口网关处理时间最大值、最小值、平均值及访问量。这里我扩展了获取每个接口网关处理时间的统计分析，方便我们对接口的性能评估。

三、编写 Python 脚本完成数据分析

我们知道在数据分析、机器学习领域一般推荐使用到 Python，因为这是 Python 所擅长的。而在 Python 数据分析工作中，Pandas 的使用频率是很高的，如果我们日常的数据处理工作不是很复杂的话，你通常用几句 Pandas 代码就可以对数据进行规整。

那么这里我们只需要将日志中 duration 字段存放到 pandas 的基础数据结构 DataFrame 中，然后通过分组、数据统计功能就可以实现。

整个工程一共包括 4 个部分：

• 第一个部分为数据加载，首先我们通过 open 文件读数据加载到内存中。注意日志文件比较大的情况下读取不要用readlines()、readline(),会将日志全部读到内存，导致内存占满。因此在此使用 for line in fo 迭代的方式，基本不占内存实现懒加载；
• 第二步为数据预处理。读取日志文件，可以使用 pd.read_table(log_file, sep=’ ‘, iterator=True),但是此处我们设置的 sep 无法正常匹配分割，因此先将日志用 split 分割，然后再存入 pandas；
• 第三步为数据分析，Pandas 提供了 IO 工具可以将大文件分块读取，使用不同分块大小来读取再调用 pandas.concat 连接 DataFrame，然后使用 Pandas 常用的统计函数分析；
• 最后一步为数据装载，把统计分析结果保存到 Excel 文件中。

下载依赖库：

#pip3 install 包名 -i 源的url 临时换源
#清华大学源：

# 强大的数据结构库，用于数据分析，时间序列和统计等
pip3 install pandas -i  

# 处理 URL 的包 
pip3 install urllib -i  

# 安装生成execl表格的相关模块 
pip3 install xlwt -i  

具体的代码如下：

#统计每个接口的处理时间
#请提前创建 log 并设置 logdir
import sys
import os
import pandas as pd
from urllib.parse import urlparse
import re

'''
全局参数
'''
mulu=os.path.dirname(__file__)
#日志文件存放路径
logdir="D:\log"
#存放统计所需的日志相关字段
logfile_format=os.path.join(mulu,"access.log")

print ("read from logfile \n")

'''
数据加载及预处理
'''
for eachfile in os.listdir(logdir):
    logfile=os.path.join(logdir,eachfile)
    with open(logfile, 'r') as fo:
        for line in fo:
            spline=line.split()
            #过滤字段中异常部分
            if spline[6]=="-":
                pass
            elif spline[6]=="GET":
                pass
            elif spline[-1]=="-":
                pass
            else:
                #解析成url地址
                parsed = urlparse(spline[6])
                # print('path    :', parsed.path)
                #排除数值参数
                interface = ''.join([i for i in parsed.path if not i.isdigit()])
                # print(interface)
                #重新写入文件
                with open(logfile_format, 'a') as fw:
                    fw.write(interface)
                    fw.write('\t')
                    fw.write(spline[-2])
                    fw.write('\n')
print ("output panda")

'''
数据分析
'''
#将统计的字段读入到dataframe中
reader=pd.read_table(logfile_format,sep='\t',engine='python',names=["interface","duration（ms）"] ,header=None,iterator=True)
loop=True
chunksize=10000000
chunks=[]
while loop:
    try:
        chunk=reader.get_chunk(chunksize)
        chunks.append(chunk)
    except StopIteration:
        loop=False
        print ("Iteration is stopped.")

df=pd.concat(chunks)
#df=df.set_index("interface")
#df=df.drop(["GET","-"])

df_groupd=df.groupby('interface')
df_groupd_max=df_groupd.max()
df_groupd_min= df_groupd.min()
df_groupd_mean= df_groupd.mean()
df_groupd_size= df_groupd.size()

'''
数据装载
'''
df_ana=pd.concat([df_groupd_max,df_groupd_min,df_groupd_mean,df_groupd_size],axis=1,keys=["max","min","average","count"])
print ("output excel")
df_ana.to_excel("result.xls")

运行结果：

这样我们轻松得到了高峰日各业务量统计以及接口处理时间等数据。

四、小结

通过今天的例子我们应该能看到采用 Python 对于性能工程师来说降低了数据分析的技术门槛。相信在当今的 DT 时代，任何岗位都需要用到数据分析的思维和能力。

本文源码：

• https://github.com/zuozewei/blog-example/tree/master/Performance-testing/02-testdata/gateway-accesslog-analyse

参考资料：

• [1]：《性能测试实战30讲》