Python项目的一个需求是解析nginx的日志文件，这里给出详细过程解析。
日志规则描述
首先要明确自己的Nginx的日志格式，这里采用默认Nginx日志格式：
log_formatmain'$remote_addr-$remote_user[$time_local]"$request"' '$status$body_bytes_sent"$http_referer"' '"$http_user_agent""$http_x_forwarded_for"';
其中一条真实记录样例如下：
代码如下:
172.22.8.207 - - [16/Dec/2014:17:57:35 +0800] "GET /report?DOmjjuS6keWJp+WculSQAgdUkAIPODExMzAwMDJDN0FC HTTP/1.1" 200 0 "-" "XXXXXXX/1.0.16; iPhone/iOS 8.1.2; ; 8DA77E2F91D0"
其中，客户端型号信息用XXXXXXX代替。
项目中已经按照业务规则对Nginx日志文件进行了处理命名规则如下：
ID-ID-YYMMDD-hhmmss
并且所有的日志文件存放在统一路径下。
解决思路
获取所有日志文件path
这里使用Python的glob模块来获取日志文件path
importglob defreadfile(path): returnglob.glob(path+'*-*-*-*')
获取日志文件中每一行的内容
使用Python的linecache模块来获取文件行的内容
importlinecache defreadline(path): returnlinecache.getlines(path)
注意：linecache模块使用了缓存，所以存在以下问题：
在使用linecache模块读取文件内容以后，如果文件发生了变化，那么需要使用linecache.updatecache(filename)来更新缓存，以获取最新变化。
linecache模块使用缓存，所以会耗费内存，耗费量与要解析的文件相关。最好在使用完毕后执行linecache.clearcache()清空一下缓存。
当然，作为优化，这里可以利用生成器来进行优化。暂且按下不表。
处理日志条目
一条日志信息就是一个特定格式的字符串，因此使用正则表达式来解析，这里使用Python的re模块。
下面，一条一条建立规则：
规则
ip=r"?P<ip>[\d.]*" date=r"?P<date>\d+" month=r"?P<month>\w+" year=r"?P<year>\d+" log_time=r"?P<time>\S+" method=r"?P<method>\S+" request=r"?P<request>\S+" status=r"?P<status>\d+" bodyBytesSent=r"?P<bodybytessent>\d+" refer=r"""?P<refer> [^\"]* """ userAgent=r"""?P<useragent> .* """ </useragent></refer></bodybytessent></status></request></method></time></year></month></date></ip>
解析
代码如下:
p=re.compile(r"(%s)\-\-\\[(%s)/(%s)/(%s)\:(%s)\[\S]+\]\\"(%s)?[\s]?(%s)?.*?\"\(%s)\(%s)\ \"(%s)\"\\"(%s).*?\"" %(ip,date,month,year,log_time,method,request,status,bodyBytesSent,refer,userAgent),\ re.VERBOSE) m=re.findall(p,logline)
这样，就可以得到日志条目中各个要素的原始数据。
格式及内容转化
得到日志原始数据之后，需要根据业务要求，对原始数据进行格式及内容转化。
这里需要处理的内容包括：时间，request，userAgent
时间格式转化
在日志信息原始数据中存在Dec这样的信息，利用Python的time模块可以方便的进行解析
importtime defparsetime(date,month,year,log_time): time_str='%s%s%s%s'%(year,month,date,log_time) returntime.strptime(time_str,'%Y%b%d%H:%M:%S')
解析request
在日志信息原始数据中得到的request的内容格式为：
/report?XXXXXX
这里只需要根据协议取出XXXXXX即可。
这里仍然采用Python的re模块
importre defparserequest(rqst): param=r"?P<param>.*" p=re.compile(r"/report\?(%s)"%param,re.VERBOSE) returnre.findall(p,rqst)
接下来需要根据业务协议解析参数内容。这里需要先利用base64模块解码，然后再利用struct模块解构内容：
importstruct
importbase64
defparseparam(param):
decodeinfo=base64.b64decode(param)
s=struct.Struct('!x'+bytes(len(decodeinfo)-(1+4+4+12))+'xii12x')
returns.unpack(decodeinfo)
解析userAgent
在日志信息原始数据中userAgent数据的格式为：
XXX; XXX; XXX; XXX
根据业务要求，只需要取出最后一项即可。
这里采用re模块来解析。
importre defparseuseragent(useragent): agent=r"?P<agent>.*" p=re.compile(r".*;.*;.*;(%s)"%agent,re.VERBOSE) returnre.findall(p,useragent)
至此，nginx日志文件解析基本完成。