统计分析Web服务器日志

李翔 王莉    

随着Internet上Web服务的发展，几乎各个政府部门、公司、大专院校、科研院所等都在打算构建或正在建设自己的网站。在这个过程中，大家会遇到各种各样的问题。对Web服务器的运行和访问情况进行详细和周全地分析，可以及时了解网站运行情况，发现网站存在的不足，促进网站更好地发展，它的重要性是不言而喻的。

管理Web网站不只是监视Web的速度和Web的内容传送。它不仅要关注服务器每天的吞吐量，还要了解这些Web网站的外来访问，了解网站各页面的访问情况。根据各页面的点击频率来改善网页的内容和质量，提高内容的可读性，以及跟踪包含有商业交易的步骤及管理Web网站“幕后”的数据等。

为了更好地提供WWW服务，监控Web服务器的运行情况、了解网站内容的详细访问状况就显得越来越重要和迫切了。而这些要求都可以通过对Web服务器日志文件的统计和分析来实现。本文将对Web服务器日志分析的原理和技术进行讨论。

文章内相关工具软件下载地址如下：

Webalizer http://www.mrunix.net/webalizer/
Cronolog http://www.cronolog.org/
Apache http://www.apache.org/
 
Web日志分析的原理

网站服务器日志记录了Web服务器接收处理请求及运行时错误等各种原始信息。通过对日志进行统计、分析和综合，就能有效地掌握服务器的运行状况、发现和排除错误原因、了解客户访问分布等，更好地加强系统的维护和管理。

WWW服务模型非常简单（见图1）：

图1 Web访问机制

1.客户端(浏览器)和Web服务器建立TCP连接，连接建立以后，向Web服务器发出访问请求（如get）。根据HTTP协议，该请求中包含了客户端的IP地址、浏览器的类型、请求的URL等一系列信息。

2. Web服务器收到请求后，将客户端要求的页面内容返回到客户端。如果出现错误，那么返回错误代码。

3. 服务器端将访问信息和错误信息记录到日志文件里。

下面是客户端发送给Web服务器请求的数据报的内容：

GET /engineer/ideal/list.htm HTTP/1.1
Accept: image/gif, image/x-xbitmap, image/jpeg, image/pjpeg,
application/vnd.ms-powerpoint, application/vnd.ms-excel, application/msword, */*
Referer: http://www.linuxaid.com.cn/engineer/ideal/
Accept-Language: zh-cn
Accept-Encoding: gzip, deflate
User-Agent: Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.0)
Host: www.linuxaid.com.cn
Connection: Keep-Alive
 
从代码中可以看到，在客户机的请求里包含了很多有用的信息，如客户端类型等。Web服务器会将请求的Web页内容发送返回给客户机。

目前常用的Web服务器有Apache、Netscape Enterprise Server、MS IIS等。而现在互联网上常用的Web服务器就是Apache，因此本文所做的讨论都将以Linux＋Apache环境讨论（其它的应用环境与此类似）。对于Apache来说，支持多种日志文件格式，最常见的是common和combined两种模式。其中，combined方式比common方式日志信息中的Referer（表示该请求来自于哪里，例如来自于yahoo的搜索引擎）和User-agent（用户客户端类型，如Mozilla或IE）多。下面是common类型的日志示例：

218.242.102.121 - - [06/Dec/2002:00:00:00 +0000] "GET
/2/face/shnew/ad/via20020915logo.gif HTTP/1.1" 304 0 "http://www.mpsoft.net/"
"Mozilla/4.0 (compatible; MSIE 6.0; Windows 98)"
61.139.226.47 - - [06/Dec/2002:00:00:00 +0000] "GET /cgi-bin/guanggaotmp.cgi?1
HTTP/1.1" 200 178 "http://www3.beareyes.com.cn/1/index.php" "Mozilla/4.0
(compatible; MSIE 5.0; Windows 98; DigExt)"
218.75.41.11 - - [06/Dec/2002:00:00:00 +0000] "GET
/2/face/shnew/ad/via20020915logo.gif HTTP/1.1" 304 0 "http://www.mpsoft.net/"
"Mozilla/4.0 (compatible; MSIE 5.0; Windows 98; DigExt)"
61.187.207.104 - - [06/Dec/2002:00:00:00 +0000] "GET /images/logolun1.gif
HTTP/1.1" 304 0 "http://www2.beareyes.com.cn/bbs/b.htm" "Mozilla/4.0 (compatible;
MSIE 6.0; Windows NT 5.1)"
211.150.229.228 - - [06/Dec/2002:00:00:00 +0000] "GET /2/face/pub/image_top_l.gif
HTTP/1.1" 200 260 "http://www.beareyes.com/2/lib/200201/12/20020112004.htm"
"Mozilla/4.0 (compatible; MSIE 5.5; Windows NT 5.0)"
 
从上面的日志文件可以看出，日志记录会记录客户端的IP地址、访问发生的时间、访问请求的页面、Web服务器对于该请求返回的状态信息、返回给客户端的内容的大小（以字节为单位）、该请求的引用地址、客户浏览器类型等信息。

Apache日志的配置和管理

本文中假设Apache运行有两个虚拟主机：www.secfocus.com和www.tomorrowtel.com。我们需要对这两个虚拟主机分别进行访问日志分析和统计。

Apache配置文件中，需要关心的和日志相关配置有两个：

$ CustomLog /www/logs/access_log common
$ ErrorLog /www/logs/error_log
 
CustomLog用来指示Apache的访问日志存放的位置（这里保存在/www/logs/access_log中）和格式（这里为common）；ErrorLog用来指示Apache错误信息日志存放的位置。

对于不配置虚拟主机的服务器来说，只需直接在httpd.conf中查找CustomLog配置进行修改即可。而对于具有多个虚拟服务器的Web服务器来说，需分离各个虚拟服务器的访问日志，以便对各个虚拟服务器进行访问统计和分析。因此就需要在虚拟服务器配置中进行独立的日志配置，示例如下：

NameVirtualHost 75.8.18.19
<VirtualHost 75.8.18.19>
ServerName www.secfocus.com
ServerAdmin secfocus@secfocus.com
DocumentRoot /www/htdocs/secfocus/
CustomLog "/www/log/secfocus" combined
Alias /usage/ "/www/log/secfocus/usage/"
</VirtualHost>
<VirtualHost 75.8.18.19>
ServerName www.tomorrowtel.com
ServerAdmin tomorrowtel @ tomorrowtel.com
DocumentRoot /www/htdocs/ tomorrowtel
CustomLog "/www/log/tomorrowtel " combined
Alias /usage/ "/www/log/tomorrowtel/usage/"
</VirtualHost>
 
这里需要注意的是，每个虚拟主机的定义都有一个CustomLog命令，用来指定该虚拟主机访问日志的存放文件；而Alias命令用来让日志分析生成的报表能通过www.secfocus.com/usage/的方式来访问。通过上面的配置就完成了日志文件的保存。

接下来遇到的一个问题就是日志文件的轮循。因为日志一直在增大，如果不进行处理那么日志文件越来越大，就会影响Web服务器运行效率、速率，还可能耗尽服务器硬盘空间，导致服务器无法正常运行。另外，如果单个日志文件大于操作系统单文件尺寸的的限制，从而会进一步影响Web服务的运行。而且，日志文件如果不进行轮循，也不便于日志统计分析程序的运行。因为日志统计分析都是以天为单位进行统计分析的，跨越很长时间日志会使得统计分析程序运行特别慢。因此这里就需要对Web服务器日志文件每天进行轮循。

Web服务器日志轮循

Web服务器日志轮循比较好的方式有三种：第一种方法是利用Linux系统自身的日志文件轮循机制logrotate；第二种方法是利用Apache自带的日志轮循程序rotatelogs；第三种是使用在Apache的FAQ中推荐发展已经比较成熟的一个日志轮循工具cronolog。

对于大型的Web服务来说，往往使用实用负载均衡技术提高Web站点服务能力，这样后台有多个服务器提供Web服务，大大方便了服务的分布规划和扩展性。如果有多个服务器的分布需要对日志进行合并，统一进行统计分析。因此为了保证统计的精确性，需要严格按照每天的时段来自动生成日志。

用logrotate实现日志轮循

首先讨论采用Linux系统自身的日志文件轮循机制logrotate的方法。logrotate是Linux系统自身带的一个日志轮循程序，是专门对各种系统日志（syslogd、mail）进行轮循的程序。该程序是由运行程序的服务crond每天凌晨4:02运行的。在/etc/cron.daily目录下可以看到logrotate文件，其内容如下：

#!/bin/sh/
$ usr/sbin/logrotate /etc/logrotate.conf
 
每天清晨crond都会启动/etc/cron.daily目录下的logrotate脚本来进行日志轮循。

在/etc/logrorate.conf中可以看到如下内容：

# see "man logrotate" for details
# rotate log files weekly
weekly
# keep 4 weeks worth of backlogs
rotate 4
# create new (empty) log files after rotating old ones
create
# uncomment this if you want your log files compressed
#compress
# RPM packages drop log rotation information into this directory
include /etc/logrotate.d
# no packages own wtmp -- we'll rotate them here
/var/log/wtmp {
    monthly
    create 0664 root utmp
    rotate 1
}
# system-specific logs may be also be configured here.
 
从logrotate的配置文件中可以看到，除了wtmp以外，需要滚动的日志的配置都保存在/etc/logroate.d目录下。因此只需要在该目录下创建一个名为apache的配置文件，来指示logrotate如何轮循Web服务器的日志文件即可。下面是一个示例：

/www/log/secfocus {
    rotate 2
    daily
    missingok
    sharedscripts
    postrotate
        /usr/bin/killall -HUP httpd 2> /dev/null || true
    endscript
}
/www/log/tomorrowtel {
    rotate 2
    daily
    missingok
    sharedscripts
    postrotate
        /usr/bin/killall -HUP httpd 2> /dev/null || true
    endscript
}
 
这里“rotate 2”表示轮循时只包括两个备份文件，也就是只有access_log、access_log.1和access_log.2三个日志备份文件。这样就实现了对两个虚拟主机的日志文件的轮循。本文后面会讨论如何使用日志统计分析软件对日志文件进行处理。

这种方法的优点是不需要其它第三方工具就可以实现日志轮循。但是对于重负载的服务器和使用负载均衡技术的Web服务器来说，这种方法不是很实用。因为它是对相应服务进程发出一个-HUP重启命令来实现日志的截断归档的，这样会影响服务的连续性。

用rotatelogs实现日志轮循

Apache提供了不把日志直接写入文件，而是通过管道发送给另外一个程序的能力。这样就大大加强了对日志进行处理的能力。这个通过管道得到的程序可以是任何程序，如日志分析、压缩日志等。要实现将日志写到管道的操作，只需要将配置中日志文件部分的内容替换为“|程序名”即可，例如：

# compressed logs
$ CustomLog "|/usr/bin/gzip -c >> /var/log/access_log.gz" common
 
这样就可以使用Apache自带的轮循工具rotatelogs来对日志文件进行轮循。rotatelogs基本是按时间或大小来控制日志的。

$ CustomLog "|/www/bin/rotatelogs /www/logs/secfocus/access_log 86400" common
 
 
上面的示例中，Apache访问日志被发送给程序rotatelogs；rotatelogs将日志写入/www/logs/secfocus/access_log，并每隔86400秒（1天）对日志进行一次轮循。轮循以后的文件名为/www/logs/secfocus/access_log.nnn，这里nnn是开始记录日志的时间。因此，为了将日志按天对齐需要在凌晨00:00启动服务，使得每天轮循得到的日志刚好是完整一天的日志，以提供给访问统计分析程序进行处理。如果是00:00开始生成新的日志，那么轮循得到的日志就是access_log.0000。

用cronolog实现日志轮循

首先需要下载和安装cronolog，可以到http://www.cronolog.org下载最新版本的cronolog。下载完毕以后，解压安装即可。方法如下所示：

tar xvfz cronolog-1.6.2.tar.gz
cd cronolog-1.6.2
./configure
make
make check
make install
 
这样就完成了cronolog的配置和安装，默认情况下cronolog是安装在/usr/local/sbin下。

修改Apache日志配置命令如下所示：

$ CustomLog "|/usr/local/sbin/cronolog /www/logs/secfocus/%w/access_log" combined
 

这里%w表示按照日期在不同的目录下保存日志，这种方式会保存一周的日志。

为了进行日志分析，需要每天将该日志文件拷贝（或移动，如果不希望保存一周的日志）到一个固定的位置，以方便日志分析统计文件进行处理（使用crontab -e）。添加定时任务如下：

$ 5 0 * * * /bin/mv /www/logs/secfocus/`date -v-1d +\%w`/access_log
/www/logs/secfocus/access_log_yesterday
 

再使用日志统计分析程序，对文件access_log_yesterday进行处理。

对于使用负载均衡技术的大型站点，就存在多个服务器的访问日志的合并处理问题。对于这种情况，各个服务器定义或移动日志文件时就不能使用access_log_yesterday了，而应该带上服务器编号（例如服务器IP地址等信息）加以区分。然后在各个服务器上运行网站镜像和备份服务rsyncd，再将每个服务器每天的安装配置文件通过rsync下载到专门进行访问统计分析的服务器上进行合并。

合并多个服务器的日志文件（如log1、log2、log3），并输出到log_all中的方法是：

$ sort -m -t " " -k 4 -o log_all log1 log2 log3
 
-m表示使用merge优化算法；-k 4表示根据时间进行排序；-o表示将排序结果存放到指定的文件中。

日志统计分析程序webalizer的安装和配置

webalizer是一个高效、免费的Web服务器日志分析程序。其分析结果是HTML文件格式的，从而可以很方便地通过Web服务器进行浏览。Internet上的很多站点都使用webalizer进行Web服务器日志分析。Webalizer具有以下一些特性。

◆ 它是用C语言写的程序，具有很高的运行效率。在CPU主频为200MHz的机器上，webalizer每秒钟可以分析1万条记录，所以分析一个40MB大小的日志文件只需要15秒。

◆ webalizer支持标准的一般日志文件格式（Common Logfile Format）。除此之外，也支持几种组合日志格式的变种，从而可以统计客户情况及客户操作系统类型。现在webalizer已经可以支持wu-ftpd xferlog日志格式及squid日志文件格式。

◆ 支持命令行配置及配置文件。

◆ 可以支持多种语言，也可以自己进行本地化工作。

◆ 支持多种平台，比如Unix、Linux、NT、OS/2和MacOS等。

如图2所示，这是webalizer生成的访问统计分析报表第一页的内容。里面包含每个月的平均访问量的表格和条形图统计分析情况。点击每个月份，可以得到这个月每天的详细统计信息。

图2 webalizer生成的访问统计分析报表第一页的内容

1.安装

在安装以前，首先需要确保系统已经安装有gd库，可以使用下段代码：

＃ rpm -qa|grep gd
＃ gd-devel-1.8.4-4
＃ gdbm-devel-1.8.0-14
＃ gdbm-1.8.0-14
＃ sysklogd-1.4.1-8
＃ gd-1.8.4-4
 
用来确认系统已经安装有gd-deve和gd两个RPM包。

安装webalizer有两种方式：一种是下载源代码来安装；一种是直接使用RPM包来安装。

使用RPM包方式安装非常简单，从rpmfind.net找到webalizer包，下载以后运行以下代码，即可实现安装：

$ rpm -ivh webalizer-2.01_10-1.i386.rpm
 
对于源代码方式需要从http://www.mrunix.net/webalizer/下载，然后安装。首先解开源代码包：

$ tar xvzf webalizer-2.01-10-src.tgz
 
在生成的目录中有个lang目录。该目录中保存了各种语言文件，但是只有繁体中文版本，可以自己转换成简体，或者重新翻译一下，然后进入生成的目录：

$ cd  webalizer-2.01-10
$ ./configure
$ make --with-language=Chinese
$ make install
 
编译成功后，会在/usr/local/bin/目录下安装一个webalizer可执行文件。

2.配置和运行

对webalizer运行的控制可以通过配置文件或在命令行指定参数的两种方式进行。使用配置文件方式比较简单和灵活，适用于自动Web服务器日志统计分析的应用环境。

webalizer的默认配置文件为/etc/webalizer.conf，当启动webalizer时没有使用“-f“选项时，webalizer就会寻找文件/etc/webalizer.conf，也可以使用“-f”来指定配置文件（当服务器有虚拟主机时，需要配置多份不同的webalizer配置文件。不同的虚拟主机的webalizer使用不同的配置文件。webalizer.conf配置文件中需要修改的配置选项如下：

LogFile     /www/logs/secfocus/access_log
 
用来指示配置文件的路径信息，webalizer会将该日志文件作为输入进行统计分析：

OutputDir      /www/htdocs/secfocus/usage
 
用来指示生成的统计报表的保存目录，在前面使用alias，使用户可以使用http://www.secfocus.com/usage/来访问统计报表。

HostName      www.secfocus.com
 
上述代码用来指示主机名，统计报表中会引用该主机名。

其它选项无需修改。配置文件修改完毕以后，需要定时webalizer，每天生成当日的统计分析。

以root身份运行crontab -e进入定时运行任务编辑状态，加入如下任务：

$ 5 0 * * * /usr/local/bin/webalizer -f /etc/secfocus.webalizer.conf
$ 15 0 * * * /usr/local/bin/webalizer -f /etc/tomorrowtel.webalizer.conf
 
这里假设系统运行有两个虚拟主机，并分别定义了日志分析配置文件secfocus.webalizer.conf和tomorrowtel.webalizer.conf。这样定义在凌晨00:05对secfocus的日志进行统计分析；在凌晨00:15对tomorrowtel的日志进行统计分析。

第二天分别使用http://www.secfocus.com/usage和http://www.tomorrowtel.com/usage来查看各自的日志分析报表。

保护日志统计分析报告不被未授权用户访问

我们都不希望自己网站访问统计信息随意被别人浏览，因此需要将usage目录保护起来，只允许合法的用户访问。这里可以采用Apache自带的基本认证机制。配置以后再连接这个地址需要用户提供密码才能访问该页面（如图3所示）：

图3 设置认证机制后的密码提示界面

1.条件

在配置文件中对目录“/”应该设置为：

DocumentRoot  /www/htdocs/secfocus/
AccessFileName .htaccess
AllowOverride All
 
2.需求

需求是限制对http://www.secfocus.com/usage/的访问，要求用户认证才能访问。这里设置用户为“admin”，口令为“12345678”。

使用htpasswd建立用户文件：

$ htpasswd -c /www/.htpasswd admin
 
此程序会询问用户“admin”的口令，输入“12345678”两次生效。

3.建立.htaccess文件

用vi在/www/logs/secfocus/usage/目录下建立一个文件.htaccess，写入以下几行代码：

AuthName admin-only
AuthType Basic
AuthUserFile  /www/.htpasswd
require user admin
 
测试

通过浏览器访问http://www.secfocus.com/usage，就会弹出框请求输入用户名和口令，输入“admin”、“12345678”就可以访问访问日志统计分析报表。