陰差陽錯的做的日志分析，前途未卜的這段日子，***還有點意思的可能就是手動的處理大量日志?？偨Y一下。

日志文件的輸入是動則幾個G的文本。從N個這樣的文件中得到一個列表，一個數字，一個比例。在什么工具都沒有情況下，用shell命令不僅是驗證系統數據的準確性的方法，也是一個很好的學習過程。

使用cut命令切割日志行

下面的一行典型的apache訪問日志：

如果需要得到IP地址可以使用cut命令：

cat log | cut -d ' ' -f1 

-d ' '表示按照空格將行切開，-f1 取***個字段，這樣得到的結果就是IP列表：

有時候拿到的文件是\t分隔，也可以使用cut切開，只不過需要多寫一個$。

[l]$ cat log | cut -d '\t' -f1 cut: the delimiter must be a single character #-d '\t'會報錯的 cut -f2 -d$'\t' infile #work 

使用tr命令去掉字符，替換字符。如果拿到分割的文件：

cat log | tr -s ' ' ',' 

將空格替換成,文件變成csv：

cat log | tr -d ' ' 

上面的命令直接刪除空格。

日志處理后經常會出現空行，tr命令去掉空行的原理就是將連續兩個換行替換成一個換行：

cat log | tr -s '\n\n' '\n' 

使用uniq命令去重

試想得到IP列表，欲得到獨立訪問的IP列表。

[l]$ cat log | cut -d ' ' -f1 | uniq -u 

如果不僅僅是去重，還想統計每個IP訪問次數，可以加一個參數c：

[l]$ cat log | cut -d ' ' -f1 | uniq -uc 

得到的格式形如：

1 126.193.38.128 5 49.98.156.154 

前面的數字就是出現的次數。

使用awk/seed來處理日志

awk/seed是處理日志的最終的萬金油。確實是什么都可以做。awk/seed是一門很大的學問。這里取我碰到的一個日志，日志格式形如：

display=wvga|||lang=ja_JP|||isActive=1|||pixel=720X1280|||density=2.0|||version=5.7|||key=5146f54950f09f71750005ef|||out=abc'3|||uid=1 

如果我需要得到isActive=1的日志行，取到out=中'前一段，如上面的abc。

cat l | grep "isActive=1|" | awk 'match($0,/out=[^\x27]+/){print substr($0,RSTART+4,RLENGTH-4)}' 

grep的功能是篩選isActive=1的行。awk 后面跟''的是awk語言。$0總是代表當前匹配的字段值，match substr是awk可以用的函數，當match時后面{}中的代碼才會執行。當match，$0就是正則匹配的部分。RSTART,RLENGTH是awk可以使用的常量，分別表示開始匹配的開始下標，RLENGTH是匹配的長度。

在''中需要再使用'光轉義是不行的，得用16進制的代碼\x27。轉16進制可以使用python代碼 "'".encode("hex")得到

//驚訝awk就這么簡單的解釋了，可這連入門都算不上。

集合操作

試想我想得到兩個列表的交際，并集，差集，統計中經常會碰到，比如我想獲得昨天今天都在訪問的IP，其實就是今天的IP列表和昨天IP列表的交集。

先定義兩個簡單的文件：

[ l]$ cat a.txt 1 2 3 4 5 [ l]$ cat b.txt 4 5 6 7 8 9 

如果想得到ab的交集4 5 ,可以使用下面的命令：

sort -m a.txt b.txt | uniq -d 4 5 

如果要得到并集1-9，可以：

sort -m a.txt b.txt | uniq 1 2 3 4 5 6 7 8 9 

如果想得到ab的差集，即a去掉ab的交集1 2 3

comm -23 a.txt b.txt 1 2 3 

同理：ba的差集：

comm -13 a.txt b.txt comm -23 b.txt a.txt 

上述兩個命令等價。

comm命令就是compare功能，如果什么參數都不帶呢得到的什么呢？

comm a.txt b.txt 1 2 3 4 5 6 7 8 9 

diff命令以前經?？创a改了哪些：

diff a.txt b.txt  1,3d0 < 1 < 2 < 3 5a3,6 > 6 > 7 > 8 > 9