性能工具之 linux 常见日志统计分析命令

引言

在上文中，我们已经详细介绍 linux 三剑客的基本使用，接下来我们看看具体在性能测试领域的运用，本文主要介绍的是在 Tomcat 和 Nginx access日志的统计分析。

Tomcat 统计请求响应时间

server.xml 使用配置方式，%D-请求时间，%F-响应时间

<Valve className="org.apache.catalina.valves.AccessLogValve" directory="logs"
prefix="localhost_access_log." suffix=".txt"
pattern="%h %l %u [%{yyyy-MM-dd HH:mm:ss}t] %{X-Real_IP}i &quot;%r&quot; %s %b %D %F" />

字段说明如下：

• %h - 发起请求的客户端 IP 地址。这里记录的 IP 地址并不一定是真实用户客户机的 IP 地址，它可能是私网客户端的公网映射地址或代理服务器地址。

• %l - 客户机的 RFC 1413 标识 ( 参考 ) ，只有实现了 RFC 1413 规范的客户端，才能提供此信息。

• %u - 远程客户端用户名称，用于记录浏览者进行身份验证时提供的名字，如登录百度的用户名 zuozewei，如果没有登录就是空白。

• %t - 收到请求的时间（访问的时间与时区，比如18/Jul/2018:17:00:01 +0800，时间信息最后的 "+0800" 表示服务器所处时区位于 UTC 之后的8小时）

• %{X-Real_IP}i - 客户端的真实ip

• %r - 来自客户端的请求行（请求的 URI 和 HTTP 协议，这是整个 PV 日志记录中最有用的信息，记录服务器收到一个什么样的请求）

• %>s - 服务器返回客户端的状态码，比如成功是 200。

• %b - 发送给客户端的文件主体内容的大小，不包括响应头的大小（可以将日志每条记录中的这个值累加起来以粗略估计服务器吞吐量）

• %{Referer}i - 记录从哪个页面链接访问过来的（请求头Referer的内容 ）

• %D - 处理请求的时间，以毫秒为单位

• %F - 客户端浏览器信息提交响应的时间，以毫秒为单位

日志样例：

47.203.89.212 - - [19/Apr/2017:03:06:53 +0000] "GET / HTTP/1.1" 200 10599 50 49

Nginx 统计请求和后台服务响应时间

使用默认 combined 的经典格式上扩展 response_time&upstream_response_time

nginx.conf 使用配置方式：

log_format main '$remote_addr - $remote_user [$time_local] "$request" $status $body_bytes_sent $request_time  $upstream_response_time "$http_referer" "$http_user_agent" "$http_x_forwarded_for"';

字段说明如下：

• $remote_addr - 发起请求的客户端 IP 地址。这里记录的 IP 地址并不一定是真实用户客户机的 IP 地址，它可能是私网客户端的公网映射地址或代理服务器地址。
• $remote_user - 远程客户端用户名称，用于记录浏览者进行身份验证时提供的名字，如登录百度的用户名 zuozewei，如果没有登录就是空白。
• [$time_local] - 收到请求的时间（访问的时间与时区，比如18/Jul/2018:17:00:01 +0800，时间信息最后的 "+0800" 表示服务器所处时区位于 UTC 之后的8小时）
• “$request” - 来自客户端的请求行（请求的 URI 和 HTTP 协议，这是整个 PV 日志记录中最有用的信息，记录服务器收到一个什么样的请求）
• $status - 服务器返回客户端的状态码，比如成功是 200。
• $body_bytes_sent - 发送给客户端的文件主体内容的大小，不包括响应头的大小（可以将日志每条记录中的这个值累加起来以粗略估计服务器吞吐量）
• $request_time - 整个请求的总时间，以秒为单位（包括接收客户端请求数据的时间、后端程序响应的时间、发送响应数据给客户端的时间(不包含写日志的时间)）
• $upstream_response_time - 请求过程中，upstream 的响应时间,以秒为单位（向后端建立连接开始到接受完数据然后关闭连接为止的时间）
• “$http_referer” - 记录从哪个页面链接访问过来的（请求头 Referer 的内容 ）
• “$http_user_agent” - 客户端浏览器信息（请求头User-Agent的内容 ）
• "$ http_x_forwarded_for"- 客户端的真实ip，通常web服务器放在反向代理的后面，这样就不能获取到客户的IP地址了，通过 $remote_add拿到的IP地址是反向代理服务器的iP地址。反向代理服务器在转发请求的 http 头信息中，可以增加 x_forwarded_for** 信息，用以记录原有客户端的IP地址和原来客户端的请求的服务器地址。

日志示例：

218.56.42.148 - - [19/Apr/2017:01:58:04 +0000] "GET / HTTP/1.1" 200 0 0.023 - "-" "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36" "-"

AWK 简介

基本概念

为了能理解 AWK 程序，我们下面概述其基本知识。

AWK 程序可以由一行或多行文本构成，其中核心部分是包含一个模式和动作的组合。

pattern { action }

模式( pattern ) 用于匹配输入中的每行文本。对于匹配上的每行文本，awk 都执行对应的 动作( action )。模式和动作之间使用花括号隔开。awk 顺序扫描每一行文本，并使用 记录分隔符（一般是换行符）将读到的每一行作为 记录，使用 域分隔符( 一般是空格符或制表符 ) 将一行文本分割为多个 域， 每个域分别可以使用 $1, $2, … $n 表示。$1 表示第一个域， $2 表示第二个域，$n 表示第 n 个域。 $0 表示整个记录。模式或动作都可以不指定，缺省模式的情况下，将匹配所有行。缺省动作的情况下，将执行动作 {print}，即打印整个记录。

此处使用Nginx access.log 举例，Tomcat 日志自己举一反三。
使用 awk 分解出Nginx access日志中的信息

218.56.42.148 - - [19/Apr/2017:01:58:04 +0000] "GET / HTTP/1.1" 200 0 0.023 - "-" "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36" "-"

• $0 就是整个记录行
• $1 就是访问 IP ”218.56.42.148”
• $4 就是请求时间的前半部分 “[19/Apr/2017:01:58:04”
• $5 就是请求时间的后半部分 “+0000]”

以此类推……
当我们使用默认的域分割符时，我们可以从日志中解析出下面不同类型的信息：

awk '{print $1}' access.log       # IP 地址  ($remote_addr) 
awk '{print $3}' access.log       # 用户名称  $remote_user) 
awk '{print $4,$5}' access.log    # 日期和时间  ([$time_local]) 
awk '{print $7}' access _log      # URI ($request) 
awk '{print $9}' access _log      # 状态码 ($status) 
awk '{print $10}' access _log     # 响应大小 ($body_bytes_sent)
awk '{print $11}' access _log     # 请求时间 ($request_time)
awk '{print $12}' access _log     # upstream响应时间 ($upstream_response_time)

我们不难发现，仅使用默认的域分隔符，不方便解析出请求行、引用页和浏览器类型等其他信息，因为这些信息之中包含不确定个数的空格。
因此，我们需要把域分隔符修改为 “ ，就能够轻松读出这些信息。

awk -F\" '{print $2}' access.log        # 请求行 ($request) 
awk -F\" '{print $4}' access.log        # 引用页 ($http_referer)
awk -F\" '{print $6}' access.log        # 浏览器 ($http_user_agent)
awk -F\" '{print $8}' access.log        # 真实ip ($http_x_forwarded_for)

注意：这里为了避免 Linux Shell 误解 “ 为字符串开始，我们使用了反斜杠，转义了 “ 。
现在，我们已经掌握了 awk 的基本知识，以及它是怎样解析日志的。

使用场景举例

此处使用Nginx access.log 举例，Tomcat 日志自己举一反三。

浏览器类型统计

如果我们想知道那些类型的浏览器访问过网站，并按出现的次数倒序排列，我可以使用下面的命令：

awk -F\" '{print $6}' access.log | sort | uniq -c | sort -fr

此命令行首先解析出浏览器域，然后使用管道将输出作为第一个 sort 命令的输入。第一个 sort 命令主要是为了方便 uniq 命令统计出不同浏览器出现的次数。最后一个 sort 命令将把之前的统计结果倒序排列并输出。

发现系统存在的问题

我们可以使用下面的命令行，统计服务器返回的状态码，发现系统可能存在的问题。

awk '{print $9}' access.log | sort | uniq -c | sort

正常情况下，状态码 200 或 30x 应该是出现次数最多的。40x 一般表示客户端访问问题。50x 一般表示服务器端问题。
下面是一些常见的状态码：

• 200 - 请求已成功，请求所希望的响应头或数据体将随此响应返回。
• 206 - 服务器已经成功处理了部分 GET 请求
• 301 - 被请求的资源已永久移动到新位置
• 302 - 请求的资源现在临时从不同的 URI 响应请求
• 400 - 错误的请求。当前请求无法被服务器理解
• 401 - 请求未授权，当前请求需要用户验证。
• 403 - 禁止访问。服务器已经理解请求，但是拒绝执行它。
• 404 - 文件不存在，资源在服务器上未被发现。
• 500 - 服务器遇到了一个未曾预料的状况，导致了它无法完成对请求的处理。
• 503 - 由于临时的服务器维护或者过载，服务器当前无法处理请求。

HTTP 协议状态码定义可以参阅：
https://www.w3.org/Protocols/rfc2616/rfc2616.html

状态码相关统计

查找并显示所有状态码为 404 的请求

awk '($9 ~ /404/)' access.log

统计所有状态码为 404 的请求

awk '($9 ~ /404/)' access.log | awk '{print $9,$7}' | sort

现在我们假设某个请求 ( 例如 : URI: /path/to/notfound ) 产生了大量的 404 错误，我们可以通过下面的命令找到这个请求是来自于哪一个引用页，和来自于什么浏览器。

awk -F\" '($2 ~ "^GET /path/to/notfound "){print $4,$6}' access.log

追查谁在盗链网站图片

有时候会发现其他网站出于某种原因，在他们的网站上使用保存在自己网站上的图片。如果您想知道究竟是谁未经授权使用自己网站上的图片，我们可以使用下面的命令：

awk -F\" '($2 ~ /\.(jpg|gif|png)/ && $4 !~ /^http:\/\/www\.example\.com/)\ 
{print $4}' access.log \ | sort | uniq -c | sort

注意：使用前，将 www.example.com 修改为自己网站的域名。

• 使用 ” 分解每一行；
• 请求行中必须包括 “.jpg” 、”.gif” 或 ”.png”；
• 引用页不是以您的网站域名字符串开始（ 在此例中，即 www.example.com ）；
• 显示出所有引用页，并统计出现的次数。

IP相关统计

统计共有多少个不同的 IP 访问：

awk '{print $1}' access.log |sort|uniq|wc – l

统计每一个 IP 访问了多少个页面：

awk '{++S[$1]} END {for (a in S) print a,S[a]}' log_file

将每个 IP 访问的页面数进行从小到大排序：

awk '{++S[$1]} END {for (a in S) print S[a],a}' log_file | sort -n

统计 2018 年 8 月 31 日 14 时内有多少 IP 访问 :

awk '{print $4,$1}' access.log | grep 31/Aug/2018:14 | awk '{print $2}'| sort | uniq | wc -l

统计访问最多的前十个 IP 地址

awk '{print $1}' access.log |sort|uniq -c|sort -nr |head -10

查看某一个 IP访问了哪些页面：

grep ^202.106.19.100 access.log | awk '{print $1,$7}'

统计某个 IP 的详细访问情况,按访问频率排序

grep '202.106.19.100' access.log |awk '{print $7}'|sort |uniq -c |sort -rn |head -n 100

响应页面大小相关统计

列出传输大小最大的几个文件

cat access.log |awk '{print $10 " " $1 " " $4 " " $7}'|sort -nr|head -100

列出输出大于 204800 byte ( 200kb) 的页面以及对应页面发生次数

cat access.log |awk '($10 > 200000){print $7}'|sort -n|uniq -c|sort -nr|head -100

列出访问最频的页面(TOP100)

awk '{print $7}' access.log | sort |uniq -c | sort -rn | head -n 100

列出访问最频的页面([排除php页面】(TOP100)

grep -v ".php"  access.log | awk '{print $7}' | sort |uniq -c | sort -rn | head -n 100          

列出页面访问次数超过100次的页面

cat access.log | cut -d ' ' -f 7 | sort |uniq -c | awk '{if ($1 > 100) print $0}' | less

列出最近1000条记录，访问量最高的页面

tail -1000 access.log |awk '{print $7}'|sort|uniq -c|sort -nr|less

2.7、PV 相关统计

统计每分钟的请求数,top100的时间点(精确到分钟)

awk '{print $4}' access.log |cut -c 14-18|sort|uniq -c|sort -nr|head -n 100

统计每小时的请求数,top100的时间点(精确到小时)

awk '{print $4}' access.log |cut -c 14-15|sort|uniq -c|sort -nr|head -n 100

统计每秒的请求数,top100的时间点(精确到秒)

awk '{print $4}' access.log |cut -c 14-21|sort|uniq -c|sort -nr|head -n 100

统计当天的 pv

grep "10/May/2018" access.log | wc -l

说明：

• awk ‘{ print $1}’：取数据的低1域（第1列）
• sort：对IP部分进行排序。
• uniq -c：打印每一重复行出现的次数。（并去掉重复行）
• sort -nr -k1：按照重复行出现的次序倒序排列,-k1以第一列为标准排序。
• head -n 10：取排在前10位的IP

页面响应时间相关统计

可以使用下面的命令统计出所有响应时间超过 3 秒的日志记录。

awk '($NF > 1){print $11}' access.log
cat access.log|awk '($NF > 3){print $7}'

注意：NF 是当前记录中域的个数。$NF 即最后一个域。

列出php页面请求时间超过3秒的页面，并统计其出现的次数，显示前100条

cat access.log|awk '($NF > 1 &&  $7~/\.php/){print $7}'|sort -n|uniq -c|sort -nr|head -100

列出相应时间超过 5 秒的请求，显示前20条

awk '($NF > 1){print $11}' access.log | awk -F\" '{print $2}' |sort -n| uniq -c|sort -nr|head -20

蜘蛛抓取统计

统计蜘蛛抓取次数

grep 'Baiduspider' access.log |wc -l

统计蜘蛛抓取404的次数

grep 'Baiduspider' access.log |grep '404' | wc -l

小结

通过本文的介绍，我相信同学们一定会发现 linux三剑客强大之处。在命令行中，它还能够接受，和执行外部的 AWK 程序文件，可以对文本信息进行非常复杂的处理，可以说“只有想不到的，没有它做不到的”。