WEB日志格式及分析

　　网站日志挖掘分析-WEB日志格式及分析工具

　　WEB日志是网站分析和网站数据数据整理最基础的数据，了解其格式和组成将有利于更好地进行数据的收集、处理和分析。

　　一、日志格式类型

　　目前常见的WEB日志格式主要由两类，一类是Apache的NCSA日志格式，另一类是IIS的W3C日志格式。NCSA格式又分为NCSA普通日志格式(CLF)和NCSA扩展日志格式(ECLF)两类，目前最常用的是NCSA扩展日志格式(ECLF)及基于自定义类型的Apache日志格式;而W3C扩展日志格式(ExLF)具备了更为丰富的输出信息，但目前的应用并不广泛，所以这里主要介绍的是NCSA扩展日志格式(ECLF)。

　　二、常见日志格式的组成

　　这是一个最常见的基于NCSA扩展日志格式(ECLF)的Apache日志样例：

　　可以看到这个日志主要由以下几个部分组成：

　　访问主机(remotehost)显示主机的IP地址或者已解析的域名。

　　标识符(Ident)由identd或直接由浏览器返回浏览者的EMAIL或其他唯一标示，因为涉及用户邮箱等隐私信息，目前几乎所有的浏览器就取消了这项功能。

　　授权用户(authuser)用于记录浏览者进行身份验证时提供的名字，如果需要身份验证或者访问密码保护的信息则这项不为空，但目前大多数网站的日志这项也都是为空的。

　　日期时间(date)一般的格式形如[22/Feb/20xx:09:51:46 +0800]，即[日期/月份/年份:小时:分钟:秒钟时区]，占用的的字符位数也基本固定。

　　请求(request)即在网站上通过何种方式获取了哪些信息，也是日志中较为重要的一项，主要包括以下三个部分：

　　请求类型(METHOD)常见的请求类型主要包括GET/POST/HEAD这三种;

　　请求资源(RESOURCE)显示的是相应资源的URL，可以是某个网页的地址，也可以是网页上调用的图片、动画、CSS等资源;

　　协议版本号(PROTOCOL)显示协议及版本信息，通常是HTTP/1.1或HTTP/1.0。

　　状态码(status)用于表示服务器的响应状态，通常1xx的状态码表示继续消息;2xx表示请求成功;3xx表示请求的重定向;4xx表示客户端错误;5xx表示服务器错误。

　　传输字节数(bytes)即该次请求中一共传输的字节数。

　　来源页面(referrer)用于表示浏览者在访问该页面之前所浏览的页面，只有从上一页面链接过来的请求才会有该项输出，如果是新开的页面则该项为空。上例中来源页面是google，即用户从google搜索的结果中点击进入。

　　用户代理(agent)用于显示用户的详细信息，包括IP、OS、Bowser等。

　　三、日志格式扩展

　　apache日志格式可以自定义来配置其输出格式，常见的基于NCSA扩展日志格式(ECLF)自定义添加的包括域名(domain)和cookie。其中域名在一个网站拥有二级域名或者子域名时，可以更好地区分日志;而cookie可以作为用户的身份标识。其他具体的自定义信息详见：Custom Log Formats

　　四、导入日志数据到MySQL中

　　访问分析是SEO的一项重要工作，但统计、分析工具毕竟功能是针对大众的，很多时候SEO需要一些特定的数据，是统计分析软件、程序所不能提供的。这样，直接的Web日志分析就是最合适的了，日志中会记录每一个访问情况，只要按自己的意愿提取、组合，就能得到想要的数据。使用SQL语句分析是最方便的，需要什么样的数据，只要使用相应的SQL命令就能实现。

　　导入Web日志到MySQL数据库的实现

　　1、修改Apache日志格式

　　修改Web日志格式为：

　　?

　　SQL需要导入的内容有特定的分隔符，Apache的日志默认是以空格分隔的，而有些内容(如状态码中的 200 610)也包含空格，这就无法准确的导入。将日志格式修改为以逗号分隔，就能准确的导入了。还可以根据自己的需要，取消日志格式中不需要的内容，减少日志文件大小。

　　2、建立MySQL数据表

　　注：上面只是一个MySQL数据表结构范例，没有与上一步日志格式对应，请勿直接复制使用!

　　新建一个数据库，数据表结构与日志格式对应起来。

　　3、导入日志到MySQL中

　　weblog 对应上面的数据表名。

　　另外，乐思蜀从网上找到一个将IIS日志导入到MySQL数据库的.pl程序，需要的点这里下载(Readme.txt为使用说明)。

　　五、常用日志分析工具

　　1.awstats

　　2.analog

　　3.webalizer

　　4.PHPMyVisites