转载

利用MongoDB分析Nginx日志

在项目开发过程中,总是离不开日志解析的工作,虽然有些时候觉得确实挺繁琐的,但是静下心来会发现有时候也是挺有趣的1件工作。

在这里,我们要从日志文件中找出IP访问最多的10条记录,然后判断其是否合法,从而采取对应的措施。

日志解析流程

正常情况下,关于Nginx日志解析的流程如下所示:

利用MongoDB分析Nginx日志

一般情况下我们会对要解析的日志提前进行切分,常用的方式是按照日期,然后保存1个星期的日志。然后接下来就是日志的解析了,在这个过程中会使用到一些工具或编程语言,例如awk、grep、perl、python。

最后的入库和可视化处理一般视业务而定,没有强制的要求。

日志查询的解决方案

而关于Nginx日志解析的常用解决方案主要有如下4种方式:

通过awk和grep进行解析
通过Postgresql外联表进行日志的映射
通过Python与MongoDB的组合来进行日志查询
通过ELK这个开源套件进行查询

其中Postgresql外联表的方式在之前公司的时候已经使用过,当然是对公司多个3GB大小的日志进行处理。而第1种和第4种解决方案没有太多的实践的经验,这里我们主要来看第2种解决方案。

日志格式

关于日志解析处理,我们比较常用的方式是使用正则表达式来进行匹配,而常用的1个库是nginxparser,我们可以直接通过pip进行安装。当然还有其他的方式来进行解析,这个要视业务而定。

在日志解析中,比较重要的是日志的格式,默认情况下Nginx的日志格式如下:

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

下面我们来看实际业务中的1个应用。之前公司有1个抢微信红包的活动,当然有用户反映好几天都无法抢到1个红包。因此,我们团队成员认为可能在这个过程中存在作弊的现象,因此便决定对Nginx的日志进行解析。详细内容可以点击优化微信红包抢购系统。

下面是1条真实的日志的记录:

101.226.89.14 - - [10/Jul/2016:07:28:32 +0800] "GET /pocketmoney-2016-XiKXCpCK.html HTTP/1.1" 302 231 "-" "Mozilla/5.0 (Linux; Android 5.1; OPPO R9tm Build/LMY47I) AppleWebKit/537.36 (KHTML, like Gecko) Version/4.0 Chrome/37.0.0.0 Mobile MQQBrowser/6.2 TBS/036548 Safari/537.36 MicroMessenger/6.3.22.821 NetType/WIFI Language/zh_CN"

日志分析

通过awk进行解析

接着,我们来看下如何使用awk解析出IP访问最多的记录,关于awk语法可以参考进行学习:

dog@dog-pc:~$ awk '{a[$1]++}END{for(i in a)print i,a[i]}' nginx.log |sort -t ' ' -k2 -rn|head -n 10  
111.167.50.208 26794  
183.28.6.143 16244  
118.76.216.77 9560  
14.148.114.213 3609  
183.50.96.127 3377  
220.115.235.21 3246  
222.84.160.249 2905  
121.42.0.16 2212  
14.208.240.200 2000  
14.17.37.143 1993

默认情况下,awk以空格作为分隔符号,因此 $1 将获取到Nginx默认格式中的远程地址。在这里,我们通过定义1个字段,使用IP作为键名,如果对应的键名存在则将其数量加1处理。最后我们遍历这个字典,之后通过数量进行排序,最后通过head获取10条记录。

当然这种操作方式是有较大误差的,因为我们没有指定状态码等其他条件,下面我们来看根据状态码和请求方式这2个条件后过滤的数据:

dog@dog-pc:~$ awk '{if($9>0 && $9==200 && substr($6,2)== "GET") a[$1]++}END{for(i in a)print i,a[i]}' nginx.log|sort -t ' ' -k2 -rn|head -n 10  
222.84.160.249 2856  
183.28.6.143 2534  
116.1.127.110 1625  
14.208.240.200 1521  
14.17.37.143 1335  
219.133.40.13 1014  
219.133.40.15 994  
14.17.37.144 988  
14.17.37.161 960  
183.61.51.195 944

这样我们就可以将这10个IP进行分析,考虑下一步的操作,比如通过iptables组合禁止该IP的访问或限制其访问的次数等。

通过Postgresql

通过Postgresql入库后使用SQL进行查询的方式可以通过如下2种图片来查看:

利用MongoDB分析Nginx日志

在上图中主要是查看日志中请求状态码的总数量。而下图是对状态码为200的前10条IP的筛选:

利用MongoDB分析Nginx日志

可以看到基本上与上面awk解析的方式一致。

通过MongoDB进行查询

我们知道,MongoDB是1个文档型数据库,通过这个数据库我们辅助解决关系型数据库一些不太擅长的工作。

在Python中,主要的MongoDB客户端驱动是PyMongo,我们可以通过如下的方式建立1个连接:

In [1]: from pymongo import MongoClient  
In [2]: client = MongoClient()

由于这里我们使用的是默认的端口和地址,因此在MongoClient类中不传入任何的参数。

在这里,我们先说下我们插入到MongoDB中日志的格式:

{  
    "status": 302, //HTTP状态码  
    "addr": "101.226.89.14", //远程IP地址  
    "url": "-",  
    "req": "/pocketmoney-2016-XiCXCpCK.html", //请求的地址  
    "agent": "Mozilla/5.0 (Linux; Android 5.1; OPPO R9tm Build/LMY47I) AppleWebKit/537.36 (KHTML, like Gecko) Version/4.0 Chrome/37.0.0.0 Mobile MQQBrowser/6.2 TBS/036548 Safari/537.36 MicroMessenger/6.3.22.821 NetType/WIFI Language/zh_CN", //请求的user-agent  
    "referer": "NetType/WIFI",  
    "t": "2016/07/10 06:28:32", //请求的时间  
    "size": 231, //响应的大小  
    "method": "GET", //请求的方法  
    "user": "-" //用户名称  
}

在这里我们通过Python进行解析后,组装成如上的格式后插入到MongoDB中,在这里主要用到的是MongoDB文档对象的 insert_one 方法插入1条记录。

db = client['log']  
col = db['nginx']  
data = {}  
...  
col.insert_one(data)

接着我们开始对上述的记录进行查询操作,主要是通过MongoDB提供的map-reduce来实现聚合操作,其对应的Python代码为:

In [3]: db = client['log']  
In [4]: col = db['nginx']  
In [5]: pipeline = [  
    ...: {"$match":{"status":200}},  
    ...: {"$group":{"_id":"$addr","count":{"$sum":1}}},  
    ...: {"$sort":{"count":-1}},  
    ...: {"$limit":10}  
    ...: ]  
In [6]: list(col.aggregate(pipeline))  
Out[6]:   
[{u'_id': u'222.84.160.249', u'count': 2856},  
 {u'_id': u'183.28.6.143', u'count': 2534},  
 {u'_id': u'116.1.127.110', u'count': 1625},  
 {u'_id': u'14.208.240.200', u'count': 1521},  
 {u'_id': u'14.17.37.143', u'count': 1335},  
 {u'_id': u'219.133.40.13', u'count': 1014},  
 {u'_id': u'219.133.40.15', u'count': 994},  
 {u'_id': u'14.17.37.144', u'count': 988},  
 {u'_id': u'14.17.37.161', u'count': 960},  
 {u'_id': u'183.61.51.195', u'count': 944}]

可以看到这个过程与之前的2种方式得到的结果是一致的。