摘要：在這個筆記中，我們將展示一個使用分析訪問日志的簡單示例。加載和解析數據我們將需要模塊，用來解析日志。我們也需要知道設置在配置中的日志格式。實際上，在這個示例中不管我們使用哪個變量，這些數字將表明有多少次請求該網站的信息請求。

  
本文的作者是 Nikolay Koldunov，本文原文是
Apache log analysis with Pandas

  
注本文的圖有問題，沒法引用，還是去原文看下，這里作為一個引子。

%pylab inline

歡迎來到 pylab，一個基于 matplotlib 的 Python 環境【backend: module://IPython.kernel.zmq.pylab.backend_inline】。想要了解更多信息，請鍵入 "help(pylab)"。

在這個筆記中，我們將展示一個使用 pandas 分析 Apache 訪問日志的簡單示例。這是我第一次使用 pandas，并且我確定會有更好以及更有效率的方式來做這里展示的事情。所以評論，建議和修正我的蹩腳英語是非常歡迎的。你可以給我發送郵件或者是為這個筆記的 github 創建一個 PR。

我們將需要 apachelog 模塊，用來解析日志。我們也需要知道設置在 Apache 配置中的日志格式。在我的案例中，我沒有訪問 Apache 配置，但是主機托管服務提供商在他的幫助頁提供了日志格式的描述。下面是它自己的格式以及每個元素的簡單描述：

format = r"%V %h  %l %u %t "%r" %>s %b "%i" "%{User-Agent}i" %T"

這里（大部分拷貝自這個 SO 文章）：

%V          - 根據 UseCanonicalName 設置的服務器名字
%h          - 遠程主機（客戶端 IP）
%l          - identity of the user determined by identd (not usually used since not reliable)
%u          - 由 HTTP authentication 決定的 user name
%t          - 服務器完成處理這個請求的時間
%r          - 來自客戶端的請求行。 （"GET / HTTP/1.0"）
%>s         - 服務器端返回給客戶端的狀態碼（200， 404 等等。）
%b          - 響應給客戶端的響應報文大小 （in bytes）
"%i"      - Referer is the page that linked to this URL.
User-agent  - the browser identification string
%T          - Apache 請求時間

In [3]:import apachelog, sys

設置格式：

In [4]:fformat = r"%V %h %l %u %t "%r" %>s %b "%i" "%{User-Agent}i" %T"

創建一個解析器：

In [5]:p = apachelog.parser(fformat)

簡單字符串：

koldunov.net 85.26.235.202 - - [16/Mar/2013:00:19:43 +0400] "GET /?p=364 HTTP/1.0" 200 65237 "http://koldunov.net/?p=364" "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11" 0

In [6]:sample_string = "koldunov.net 85.26.235.202 - - [16/Mar/2013:00:19:43 +0400] "GET /?p=364 HTTP/1.0" 200 65237 "http://koldunov.net/?p=364" "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11" 0"

In [7]:data = p.parse(sample_string)

In [8]:data

Out[8]:
{"%>s": "200",
 "%T": "0",
 "%V": "koldunov.net",
 "%b": "65237",
 "%h": "85.26.235.202",
 "%i": "http://koldunov.net/?p=364",
 "%l": "-",
 "%r": "GET /?p=364 HTTP/1.0",
 "%t": "[16/Mar/2013:00:19:43 +0400]",
 "%u": "-",
 "%{User-Agent}i": "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11"}

這就是解釋器的工作。現在讓我們加載真實世界的數據（示例文件位于這里和這里）：

In [9]:log = open("access_log_for_pandas").readlines()

解析每一行，并且創建一個字典列表：

In [10]:
log_list = []
for line in log:
       try:
          data = p.parse(line)
       except:
          sys.stderr.write("Unable to parse %s" % line)
       data["%t"] = data["%t"][1:12]+" "+data["%t"][13:21]+" "+data["%t"][22:27]

       log_list.append(data)

我們不得不調整時間格式位，否則的話 pandas 將不能解析它。

這將創建一個字典列表，可以轉化到一個數據幀：

import pandas as pd
import numpy as np
from pandas import Series, DataFrame, Panel

df = DataFrame(log_list)

展示數據幀的前兩行：

df[0:2]

我們不準備使用所有的數據，因此讓我們刪除一些列：

del df["%T"]; del df["%V"]; del df["%i"]; del df["%l"]; del df["%u"]; del df["%{User-Agent}i"]

并且把這些列重命名成人類可理解的格式：

df = df.rename(columns={"%>s": "Status", "%b":"b", 
                        "%h":"IP", "%r":"Request", "%t": "Time"})

結果數據幀的前 5 行：

df.head()

轉換時間列成 datetime 格式并做一個索引出來（pop 將丟棄原始的 Time 列）：

df.index = pd.to_datetime(df.pop("Time"))

Status 變量是一個 string 類型，因此我們需要把它轉換成 int：

df["Status"] = df["Status"].astype("int")

一些 b 列的行包含 "-" 字符，我們需要使用 astype 轉換它們：

df["b"][93]

Out[19]:
"-"

我們可以為該列使用一個通用的函數，它們將把所有的破折號轉換成 NaN，并且剩余的轉換成 floats，另外把 bytes 轉換成 megabytes：

def dash2nan(x):
    if x == "-":
        x = np.nan
    else:
        x = float(x)/1048576.

    return x

df["b"] = df["b"].apply(dash2nan)

我相信有一個更優雅的方式來做到這一點。

首先，最簡單的散點：從該網站的出口流量：

df["b"].plot()

看起來在早上 9 點左右有人從網站下載了一些大的東西。

但是實際上你想知道的第一件事是你的網站有多少的訪問量，以及它們的時間分布。我們從 b 變量的 5 分鐘間隔重新取樣，并計算每個時間跨度的請求數。實際上，在這個示例中不管我們使用哪個變量，這些數字將表明有多少次請求該網站的信息請求。

df_s = df["b"].resample("5t", how="count")
df_s.plot()

Out[23]:

![此處輸入圖片的描述][8]

我們不僅僅計算每個時間的請求數，也計算每個時間段的總流量：

df_b = df["b"].resample("10t", how=["count","sum"])
df_b["count"].plot( color="r")
legend()
df_b["sum"].plot(secondary_y=True)

Out[24]:

![此處輸入圖片的描述][9]

正如你所看到的，服務器請求數和流量是不一致的，相關性其實并不是非常高：

df_b.corr()

|-| count| sum
|count| 1.000000| 0.512629
|sum| 0.512629| 1.000000

我們可以仔細看下早高峰：

df_b["2013-03-16 6:00":"2013-03-16 10:00"]["sum"].plot()

Out[26]:

![此處輸入圖片的描述][10]

看起來流量峰值是由一個請求引起的。讓我們找出這個請求。選擇所有響應大于 20 Mb 的請求：

df[df["b"]>20]

這是一本書的 pdf 文件，這就解釋了在 2013-03-16 09:02:59 的流量出口峰值。

接近 20 Mb 是一個大的請求（至少對于我們網站），但是服務器響應的典型大小是？響應大小（小于 20Mb）的立方圖看起來像這樣：

cc = df[df["b"]<20]
cc.b.hist(bins=10)

Out[28]:

![此處輸入圖片的描述][11]

因此，大部分的文件是小于 0.5 Mb。實際上它們甚至更小：

cc = df[df["b"]<0.3]
cc.b.hist(bins=100)

Out[29]:

![此處輸入圖片的描述][12]