引言
我前几天写过的性能工具之linux三剑客awk、grep、sed详解，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 "%r" %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）
%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_user [request" body_bytes_sent upstream_response_time "http_user_agent" "$http_x_forwarded_for"' ; 字段说明如下：
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。 [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） 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） 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_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 运用
为了能理解 AWK 程序，我们下面简单概述其基本知识，详细内容参照上文。
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 2, … 1 表示第一个域，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 同学们自己举一反三。
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"
"-" 1 就是访问 IP ”218.56.42.148” 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 $remote_user)
awk '{print 5}' access . log
日期和时间 ([$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 同学们自己举一反三
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： www.w3.org/Protocols/r…
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 !~ /^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 1}' access . log | grep 31 / Aug / 2018 : 14
| awk '{print $2}' | sort | uniq | wc
l 统计访问最多的前10个 IP 地址
awk '{print $1}' access . log | sort | uniq
c | sort
nr | head
10 列出某1个 IP访问了哪些页面：
grep ^ 202.106 . 19.100 access . log | awk '{print 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 1 " " 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 (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 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 $4}’：取数据的第4域（第4列） sort：进行排序。 uniq -c：打印每一重复行出现的次数。（并去掉重复行） sort -nr：按照重复行出现的次序倒序排列。 head -n 100：取排在前100位的IP 页面响应时间相关统计
可以使用下面的命令统计出所有响应时间超过 3 秒的日志记录。
awk '(NF > 1){print 11}' access . log 注意：NF 是当前记录中域的个数。$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，支持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”。
