使用Python解析Nginx日志

最近看了眼Nginx的日志，发现个人博客的日志上有很多爬虫在抓数据，还有在扫描漏洞的，搞不明白普普通通的一个个人博客得罪了谁。于是决定做一个简单的Nginx日志解析工具来稍微分析下数据。

Nginx的格式

Nginx日志对于统计、系统服务排错很有用。Nginx日志主要分为两种：access_log(访问日志)和error_log(错误日志)。通过访问日志我们可以得到用户的IP地址、浏览器的信息，请求的处理时间等信息。错误日志记录了访问出错的信息，可以帮助我们定位错误的原因。本文将详细描述一下如何配置Nginx日志。

access_log

访问日志主要记录客户端的请求。客户端向Nginx服务器发起的每一次请求都记录在这里。客户端IP，浏览器信息，referer，请求处理时间，请求URL等都可以在访问日志中得到。当然具体要记录哪些信息，你可以通过log_format指令定义。

Nginx预定义了名为combined日志格式，如果没有明确指定日志格式默认使用该格式：

log_format combined '$remote_addr - $remote_user [$time_local]'
'"$request" $status $body_bytes_sent'
'"$http_referer" "$http_user_agent"';

如果不想使用Nginx预定义的格式，可以通过log_format指令来自定义。下面是log_format指令中常用的一些变量：

以下为一个默认记录格式下的请求记录：

123.6.49.9 - - [28/Dec/2023:00:26:02 +0800] "GET /aic-bic.html HTTP/2.0" 200 16923 "http://baidu.com/" "Mozilla/5.0 (Linux; Android 8.0; Pixel 2 Build/OPD3.170816.012) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Mobile Safari/537.36"

error_log

Nginx的error.log记录了服务器在运行过程中遇到的错误和异常信息，这些信息对于管理员来说是非常重要的调试和排查工具。error.log中包含的信息通常可以帮助管理员了解服务器的状态和运行情况，以及定位问题所在。下面是error.log中常见的几类信息：

• 启动和关闭信息：log中会记录服务器的启动和关闭信息，包括启动时间、运行时间、关闭原因等。这些信息对于管理员来说是了解服务器状态的重要参考。
• 请求处理错误：如果服务器在处理请求时出现错误，log会记录相关的错误信息，包括请求的URL、客户端IP、错误类型等。这些信息可以帮助管理员定位问题所在，如请求超时、请求大小超出限制等。
• 连接和网络错误：如果服务器在处理连接或网络时出现错误，log会记录相关的错误信息，如不能连接到后端服务器、连接超时等。这些信息可以帮助管理员找到网络问题所在。
• 服务器错误：如果服务器本身出现错误，如内存不足、磁盘满了等，log会记录相应的错误信息。这些信息可以帮助管理员及时发现并解决服务器问题。

安全问题：如果服务器受到攻击或发现安全问题，log也会记录相关信息，如恶意请求、攻击尝试等。这些信息对于管理员来说是保护服务器安全的重要参考。

需要注意的是，error.log记录的信息可能会包含敏感信息，如客户端IP、请求URL等，因此需要妥善保护日志文件的访问权限，以免被未授权的用户查看或利用。

Python解析Nginx日志

这次要解析的主要是针对access.log进行解析，解析日志代码如下：

import re
import pandas as pd

with open('data/www.biaodianfu.com.access.log', 'r') as file:
    logs = file.readlines()
log_pattern = r'(\d+\.\d+\.\d+\.\d+) - (.+?) \[(.+?)\] "(.+?)" (\d+) (\d+) "(.+?)" "(.+?)"'
parsed_logs = []
for log in logs:
    match = re.match(log_pattern, log)
    if match:
        parsed_logs.append(match.groups())
df = pd.DataFrame(parsed_logs, columns=['ip', 'remote_user', 'time_local', 'request', 'status', 'body_bytes_sent',
                                       'http_referer', 'user_agent'])
df['time_local'] = pd.to_datetime(df['time_local'], format='%d/%b/%Y:%H:%M:%S %z').dt.tz_localize(None)
df[['method', 'path', 'protocol']] = df['request'].str.split(' ', n=2, expand=True)


def judge_request_type(path):
    if path:
        path = path.split('?')[0]
        if path.endswith(('.jpg', '.jpeg', '.png', '.gif', '.svg')):
            return '图片'
        elif path.endswith(('/feed')):
            return 'Feed'
        elif path.endswith(('.html', '.php')):
            return '网页'
        elif path.endswith('.js'):
            return 'JavaScript文件'
        elif path.endswith('.css'):
            return 'CSS文件'
        elif path.endswith(('.woff2', '.ttf')):
            return '字体'
        else:
            return '其他'
    else:
        return '首页'


df['request_type'] = df['path'].apply(judge_request_type)

# 调整显示设置
# pd.set_option('display.max_columns', 10)
# pd.set_option('display.max_rows', 50)
# pd.set_option('display.width', 1000)
# pd.set_option('display.max_colwidth', 50)
# print(df.head())

df.to_excel('nginx-log.xlsx')

这段代码的主要逻辑是定义了一个正则表达式log_pattern，用于匹配Nginx日志的各个字段，并将它们作为一个元组添加到parsed_logs列表中。然后将数据转换为Pandas的DataFrame，再进行一些逻辑上的处理。然后保存到Excel中。由于数据量较少后续统计在Excel中进行。