如何使用 Python 分析 web 访问日志？

本次公开课由我们 Python 实战班第 18 期的课程教师 KK 为大家做分享。

主题：如何使用 Python 分析 Web 访问日志

内容

• Python 基础

• 字符串、字典、文件、时间

• Web 访问日志

• 实战

• 提问

主讲师：KK多语言混搭工程师，热爱开源技术，喜欢GET新技能，5年 PHP、Python 项目开发经验，带领团队完成多个中、小型项目开发，对安全、云等多个领域富有浓厚兴趣，擅长于 WEB 安全开发、性能优化、分布式应用开发&设计等多方面，做事认真负责，乐于分享技能，现任 51Reboot.com Python 实战班讲师

任何语言都有使用场景，只有合适和不合适，没有好坏。语言是工具，用来描述让计算机如何工作，想法(思路&算法)是基础，也是重点。

字符串

• 像姓名、一句话描述这样的文

• 使用单引号、双引号、三个单引号或三个双引号引起来的一些字符

字符串有哪些函数

• split分隔字符串为list

• format 格式化字符串

字典定义

• 定义

• 使用大括号包含

• 每个元素为key:value的格式

• 元素之间使用逗号分隔

练习

一、统计 list 中每个元素出现的次数

languages = ['python', 'java', 'python', 'c', 'c++', 'go', 'c#', 'c++', 'lisp', 'c', 'javascript', 'java', 'python', 'matlab', 'python', 'go', 'java']

提示：

统计结果为 element:count 的形式，统计结果采用 dict 从左到右依次遍历 list 中元素，判断是否在 dict 中，如果不在则将 element 存入 dict 并设置 count 为 1，否则将 dict中element 对应的 count 加 1 后再存储到dict中。

二、统计文章中每个英文字母出现的次数

• article = 'I was not delivered unto this world in defeat, nor does failure course in my veins. I am not a sheep waiting to be prodded by my shepherd. I am a lion and I refuse to talk, to walk, to sleep with the sheep. I will hear not those who weep and complain, for their disease is contagious. Let them join the sheep. The slaughterhouse of failure is not my destiny.'

• 提示：判断是否为英文单词

• if (element > ‘a’ and element < ‘z’) or (element > ‘A’ and element < ‘Z’)

字典的 Key

• Key 必须为不可变数据类型

• 数字

• 整数

• 浮点数

• 字符串

• 布尔类型

• 列表 X

• 元组

• 子元素必须也不可变(“a”, “b”)

• ("a", ["b“]) X

• 字典 X

字典有哪些函数

文件

自己在电脑上打开 word 文件的操作顺序

• 在计算机盘符中找到对应的文件

• 鼠标双击打开文件（选择查阅的工具）

• 查阅文件内容/编辑文件内容

• 如果有编辑文件内容保存文件

• 关闭文件

文件操作

• 打开文件

• fhandler = open(path, mode, …)

• path 为文件路径

• mode 为打开文件方式及文件类型

mode	打开文件方式
r	读(默认)
w	写
x	创建并写
a	追加
r+	读写
w+	写读
x+	创建并写读
a+	追加读

• 关闭文件

fhandler.close()

mode	文件类型
t	文本(默认)
b	二进制

• 遍历文件内容

时间

Web 访问日志

• Web 访问日志是 Web 服务器记录的网站被访问的过程日志

• 日志属性

• 什么时候

• 什么人

• 通过什么工具

• 以什么方式

• 访问了什么资源

  • 结果是什么（状态/返回数据大小）

Web 访问日志日志格式

• 通用日志格式

  127.0.0.1 - - [14/May/2017:12:45:29 +0800] "GET /index.html HTTP/1.1" 200 4286

  远程 - - 主机 IP 请求时间 时区 方法 资源 协议 状态码 发送字节

• 组合日志格式

  127.0.0.1 - - [14/May/2017:12:51:13 +0800] "GET /index.html HTTP/1.1" 200 4286 "http://127.0.0.1/" "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.116 Safari/537.36“

  远程主机 IP - - 请求时间 时区 方法 资源 协议 状态码 发送字节 referer 字符 浏览器信息

Web访问日志日志示例

实战

• 统计以下数据

• 需要根据IP获取地理位置

• 每天的日志中每行流量之和、总的流量之和（每天流量之和）

• 每种状态码出现的次数

• 每天的不重复的IP的数量、总的不重复的IP数量（每天不重复的IP数量 之和？？？）

• 每天的日志行数、日志的总行数（每天的日志行数之和）

• 统计每天的点击量、总点击数量

• 统计每天的浏览者数量、总浏览者数量

• 统计总状态码分布

• 统计每天流量大小、总的流量大小

• 统计访问地域分布及访问次数 TOP20

运行

分析

• 按天统计

• 每天日志行数

• 每天浏览每个 IP 的访问次数

• 每天访问者数量 = 每天出现 IP 组成集合的数量

• 每天状态码出现次数

• 每天流量总数

• 总统计

• 总日志行数 = 每天日志行数之和

• 总访问者数量 = 所有出现 IP 组成的集合数量

• 地域分布

• 所有出现 IP 的访问次数 排序取 TOP20

• 根据 IP 查找地理位置

代码

统计每天信息

统计总数据

统计区域数据

打印结果

还可以做哪些？

• 统计每天每个 url 访问的次数?

• 最近 24 小时访问/流量趋势图（每 5-10 分钟粒度）

• 每天浏览器分布图

• 每天访问文档分布图

• 每天 js、css、图片等静态文档流量统计

• ……

• web 饼状图、曲线图、柱状图、地图

• ……

• 通过机器学习监督学习方法对访问进行攻击检测

分享时间：18年3月15日（周四）

21:00-22:00

分享方式：网络直播啊

报名方式：

添加小助手微信，备注“公开课，来源简书”，进入分享群