基于python实现cdn日志文件导入mysql进行分析

一、本文需求背景

周六日出现CDN大量请求，现需要分析其请求频次与来源，查询是否存在被攻击问题。

本文以阿里云CDN日志作为辅助查询数据，其它云平台大同小异。

系统提供的离线日志如下所示：

二、需求落地如下

日志实例如下所示：

[9/Jun/2015:01:58:09 +0800] 10.10.10.10 - 1542 "-" "GET http://www.aliyun.com/index.html" 200 191 2830 MISS "Mozilla/5.0 (compatible; AhrefsBot/5.0; +http://example.com/robot/)" "text/html"

其中相关字段的解释如下：

• [9/Jun/2015:01:58:09 +0800]：日志开始时间。

• 10.10.10.10：访问IP。

• -： * 。

• 1542：请求响应时间，单位为毫秒。

• "-"： HTTP请求头中的Referer。

• GET：请求方法。

• http://www.aliyun.com/index.html：用户请求的URL链接。

• 200：HTTP状态码。

• 191：请求大小，单位为字节。

• 2830：请求返回大小，单位为字节。

• MISS：命中信息。

• HIT：用户请求命中了CDN边缘节点上的资源（不需要回源）。

• MISS：用户请求的内容没有在CDN边缘节点上缓存，需要向上游获取资源（上游可能是CDN L2节点，也可能是源站）。

• Mozilla/5.0（compatible; AhrefsBot/5.0; +http://example.com/robot/）：User-Agent请求头信息。

• text/html：文件类型。

按照上述字段说明创建一个 MySQL 表，用于后续通过 Python 导入 MySQL 数据，字段可以任意定义

SET NAMES utf8mb4;
SET FOREIGN_KEY_CHECKS = 0;
-- ----------------------------
-- Table structure for ll
-- ----------------------------
DROP TABLE IF EXISTS `ll`;
CREATE TABLE `ll`  (
 `id` int(11) NOT NULL,
 `s_time` varchar(255) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
 `ip` varchar(255) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
 `pro_ip` varchar(255) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
 `dura_time` int(11) NULL DEFAULT NULL,
 `referer` varchar(255) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
 `method` varchar(255) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
 `url` varchar(255) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
 `code` int(255) NULL DEFAULT NULL,
 `size` double NULL DEFAULT NULL,
 `res_size` double NULL DEFAULT NULL,
 `miss` varchar(255) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
 `ua` varchar(255) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
 `html_type` varchar(255) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
 PRIMARY KEY (`id`) USING BTREE
) ENGINE = MyISAM CHARACTER SET = utf8 COLLATE = utf8_general_ci ROW_FORMAT = Dynamic;
SET FOREIGN_KEY_CHECKS = 1;

下载全部日志之后，使用 Python 批量导入数据库中，解析代码如下，在提前开始前需要先看一下待提取的每行数据内容。

[11/Mar/2022:00:34:17 +0800] 118.181.139.215 - 1961 "http://xx.baidu.cn/" "GET https://cdn.baidu.com/video/1111111111.mp4" 206 66 3739981 HIT "Mozilla/5.0 (iPad; CPU OS 15_1 like Mac OS X) AppleWebKit/605.1.15 (KHTML, like Gecko) Mobile/15E148 SP-engine/2.43.0 main％2F1.0 baiduboxapp/13.5.0.10 (Baidu; P2 15.1) NABar/1.0" "video/mp4"

初看之下，我们会使用空格进行切片，例如下述代码：

import os
# 获取文件名
my_path = r"C:日志目录"
file_names = os.listdir(my_path)
file_list = [os.path.join(my_path, file) for file in file_names]
for file in file_list:
   with open(file, 'r', encoding='utf-8') as f:
       lines = f.readlines()
       for i in lines:
           item_list = i.split(' ')
           s_time = item_list[0]+' '+item_list[1]
           ip = item_list[2],
           pro_ip =item_list[3],
           dura_time =item_list[4],
           referer =item_list[5],
           method =item_list[6],
           url = item_list[7],
           code =item_list[8],
           size =item_list[9],
           res_size =item_list[10],
           miss =item_list[11],
           html_type =item_list[12]
           print(s_time,ip,pro_ip,dura_time,referer,method,url,code,size,res_size,miss,html_type)

运行之后，会发现里面的开始时间位置，UA位置都存在空格，所以该方案舍弃，接下来使用正则表达式提取。

参考待提取的模板编写正则表达式如下所示：

\[(?<time>.*?)\] (?<ip>\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}) (?<pro_ip>.*?) (?<dura_time>\d+) \"(?<referer>.*?)\" \"(?<method>.*?) (?<url>.*?)\" (?<code>\d+) (?<size>\d+) (?<res_size>\d+) (?<miss>.*?) \"(?<ua>.*?)\" \"(?<html_type>.*?)\"

接下来进行循环读取数据，然后进行提取：

import os
import re
import pymysql
# 获取文件名
my_path = r"C:日志文件夹"
file_names = os.listdir(my_path)
file_list = [os.path.join(my_path, file) for file in file_names]
wait_list = []
for file in file_list:
   with open(file, 'r', encoding='utf-8') as f:
       lines = f.readlines()
       for i in lines:
           pattern = re.compile(
               '\[(?P<time>.*?)\] (?P<ip>\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}) (?P<pro_ip>.*?) (?P<dura_time>\d+) \"(?P<referer>.*?)\" \"(?P<method>.*?) (?P<url>.*?)\" (?P<code>\d+) (?P<size>\d+) (?P<res_size>\d+) (?P<miss>.*?) \"(?P<ua>.*?)\" \"(?P<html_type>.*?)\"')
           gs = pattern.findall(i)
           item_list = gs[0]
           s_time = item_list[0]
           ip = item_list[1]
           pro_ip = item_list[2]
           dura_time = item_list[3]
           referer = item_list[4]
           method = item_list[5]
           url = item_list[6]
           code = item_list[7]
           size = item_list[8]
           res_size = item_list[9]
           miss = item_list[10]
           ua = item_list[11]
           html_type = item_list[12]
           values_str = f"('{s_time}', '{ip}', '{pro_ip}', {int(dura_time)}, '{referer}', '{method}', '{url}', {int(code)}, {int(size)}, {int(res_size)}, '{miss}', '{ua}','{html_type}')"
           wait_list.append(values_str)

读取到数据存储到 wait_list 列表中，然后操作列表，写入MySQL，该操作为了防止SQL语句过长，所以每次间隔1000元素进行插入。

def insert_data():
   for i in range(0,int(len(wait_list)/1000+1)):
       items = wait_list[i * 1000:i * 1000 + 1000]
       item_str = ",".join(items)
       inser_sql = f"INSERT INTO ll(s_time, ip, pro_ip, dura_time, referer, method, url,code, size, res_size, miss, ua,html_type) VALUES {item_str}"
       db = pymysql.connect(host='localhost',
                            user='root',
                            password='root',
                            database='logs')
       cursor = db.cursor()
       try:
           cursor.execute(inser_sql)
           db.commit()
       except Exception as e:
           # print(content)
           print(e)
           db.rollback()

最终的结果如下所示：

导入MySQL之后，就可以按照自己的需求进行排序与查询了。

三、自定义查询

可以通过 refer 计算请求次数：

select count(id) num,referer from ll GROUP BY referer ORDER BY num desc

来源：https://juejin.cn/post/7076248160330317861