cdn日志文件导入mysql进行分析，核心用到 Python

Posted 2022-03-17 梦想橡皮擦

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。

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。
• -：代理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>\\d1,3\\.\\d1,3\\.\\d1,3\\.\\d1,3) (?<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>\\d1,3\\.\\d1,3\\.\\d1,3\\.\\d1,3) (?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。

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

记录时间

2022年度 Flag，写作的 585 / 1024 篇。
可以关注我，点赞我、评论我、收藏我啦。

更多精彩

• Python 爬虫 100 例教程导航帖（连续 3 年，不断更！）
• Python爬虫120 （39.9 元，保 5 年更新）