日志在計(jì)算機(jī)系統(tǒng)中是一個非常廣泛的概念，任何程序都有可能輸出日志：操作系統(tǒng)內(nèi)核、各種應(yīng)用服務(wù)器等等。日志的內(nèi)容、規(guī)模和用途也各不相同，很難一概而論。
本文討論的日志處理方法中的日志，僅指Web日志。其實(shí)并沒有精確的定義，可能包括但不限于各種前端Web服務(wù)器——apache、lighttpd、tomcat等產(chǎn)生的用戶訪問日志，以及各種Web應(yīng)用程序自己輸出的日志。
在Web日志中，每條日志通常代表著用戶的一次訪問行為，例如下面就是一條典型的apache日志：
211.87.152.44 – - [18/Mar/2005:12:21:42 +0800] “GET / HTTP/1.1″ 200 899 “http://www.baidu.com/” “Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; Maxthon)”
從上面這條日志中，我們可以得到很多有用的信息，例如訪問者的IP、訪問的時間、訪問的目標(biāo)網(wǎng)頁、來源的地址以及訪問者所使用的客戶端的UserAgent信息等。如果需要更多的信息，則要用其它手段去獲?。豪缦氲玫接脩羝聊坏姆直媛剩话阈枰褂胘s代碼單獨(dú)發(fā)送請求;而如果想得到諸如用戶訪問的具體新聞標(biāo)題等信息，則可能需要Web應(yīng)用程序在自己的代碼里輸出。
為什么要分析日志
毫無疑問，Web日志中包含了大量人們——主要是產(chǎn)品分析人員會感興趣的信息，最簡單的，我們可以從中獲取網(wǎng)站每類頁面的PV值(PageView，頁面訪問量)、獨(dú)立IP數(shù)(即去重之后的IP數(shù)量)等;稍微復(fù)雜一些的，可以計(jì)算得出用戶所檢索的關(guān)鍵詞排行榜、用戶停留時間最高的頁面等;更復(fù)雜的，構(gòu)建廣告點(diǎn)擊模型、分析用戶行為特征等等。
既然這些數(shù)據(jù)是如此的有用，那么當(dāng)然已經(jīng)有無數(shù)現(xiàn)成的工具可以幫助我們來分析它們，例如awstats、Webalizer，都是專門用于統(tǒng)計(jì)分析Web服務(wù)器日志的免費(fèi)程序。
另外還有一類產(chǎn)品，它們不分析直接日志，而是通過讓用戶在頁面中嵌入js代碼的方式來直接進(jìn)行數(shù)據(jù)統(tǒng)計(jì)，或者說我們可以認(rèn)為它是直接讓日志輸出到了它們的服務(wù)器。典型的代表產(chǎn)品——大名鼎鼎的Google Analytics，另外還有國內(nèi)的cnzz、百度統(tǒng)計(jì)等。
很多人可能會說，既然如此，我們?yōu)槭裁催€需要自己來分析日志，有必要嗎?當(dāng)然有。我們的用戶(產(chǎn)品分析人員)需求是無窮盡的，上面說的這幾類工具雖然很好很強(qiáng)大，但顯然沒辦法滿足全部的需求。
無論是本地分析的工具，還是在線的分析服務(wù)，它們雖然提很豐富的的統(tǒng)計(jì)分析功能，可以做一定程度的配置，但是依然很有限的。要進(jìn)行稍復(fù)雜點(diǎn)的分析，或者要做基于日志的數(shù)據(jù)挖掘，依然需要自己來完成。
另外絕大多數(shù)日志分析工具都是只能用于單機(jī)的，數(shù)據(jù)量稍大就沒轍了。同時那些提供在線分析的服務(wù)對于單個站點(diǎn)通常也都有最大流量的限制——這是很容易理解的，他們也需要考慮服務(wù)器的負(fù)載。
所以，很多時候還是得靠自己。
怎么進(jìn)行日志分析
這并不是一個簡單的問題。即使我們把“日志”限定為Web日志，依然包含了成千上萬種可能的格式和數(shù)據(jù)，而是“分析”更是難以定義，也許是簡單的統(tǒng)計(jì)值的計(jì)算，也許是復(fù)雜的數(shù)據(jù)挖掘算法。
下面并不打算討論這些復(fù)雜的問題，而只是籠統(tǒng)的討論如何構(gòu)建進(jìn)行日志分析工作的基礎(chǔ)。有了這些基礎(chǔ)會讓基于日志的簡單統(tǒng)計(jì)分析變得很簡單，并讓復(fù)雜的分析挖掘等變得可行。
少量數(shù)據(jù)的情況
先考慮最簡單的情況，在數(shù)據(jù)規(guī)模比較小的時候，也許是幾十MB、幾百M(fèi)B或者幾十GB，總之就是在單機(jī)處理尚能忍受的時候。一切都很好辦，現(xiàn)成的各種Unix/Linux工具——awk、grep、sort、join等都是日志分析的利器，如果僅僅是想知道某個頁面的PV，一個wc+grep就能搞定。如果有稍復(fù)雜的邏輯，那就使用各種腳本語言，尤其是perl，配合偉大的正則表達(dá)式，基本就可以解決所有的問題。
例如，我們想從上面提到的apache日志中得到訪問量最高前100個IP，實(shí)現(xiàn)很簡單：
cat logfile | awk ‘{a[$1]++} END {for(b in a) print b”\t”a[b]}’|sort -k2 -r|head -n 100
不過當(dāng)我們需要頻繁去分析日志的時候，上面的做法在一段時間之后可能就會讓我們頭疼如何進(jìn)行各種日志文件、用于分析的腳本文件、crontab文件等等的維護(hù)，并且可能會存在大量重復(fù)的代碼來做數(shù)據(jù)格式的解析和清洗，這個時候也許就需要更合適的東西，比如——數(shù)據(jù)庫。
當(dāng)然，要使用數(shù)據(jù)庫來進(jìn)行日志分析還是需要一些代價(jià)的，最主要的就是如何將各種異構(gòu)的日志文件導(dǎo)入的數(shù)據(jù)庫中——這個過程通常稱為ETL(Extraction-Transformation-Loading)。幸好依然有各種現(xiàn)成的開源、免費(fèi)的工具來幫助我們做這件事情，并且在日志種類不太多的時候，自己寫幾個簡單的腳本來完成這項(xiàng)工作也并不困難。例如可以將上面的日志去掉不必要的字段，然后導(dǎo)入如下的數(shù)據(jù)庫中：
現(xiàn)在需要考慮一下用什么數(shù)據(jù)庫來存儲這些數(shù)據(jù)。MySQL是一個很經(jīng)典的開源數(shù)據(jù)庫，它的傳統(tǒng)引擎(MyISAM或者InnoDB，行存儲)也許并不非常的適合日志數(shù)據(jù)的存儲，但是在小數(shù)據(jù)量的時候還是很夠用的。而且，在這方面現(xiàn)在已經(jīng)有了更好的選擇，例如開源且免費(fèi)的Infobright、Infinidb，都是專門為數(shù)據(jù)倉庫應(yīng)用而進(jìn)行了優(yōu)化的數(shù)據(jù)引擎，采用列存儲，有良好的數(shù)據(jù)壓縮，處理幾百GB的數(shù)據(jù)基本上不是問題。
使用數(shù)據(jù)庫的好處之一就是，偉大的SQL可以幫我們很簡單的完成絕大部分的統(tǒng)計(jì)分析工作——PV只需要SELECT+COUNT，計(jì)算搜索詞排行只需要SELECT+COUNT+GROUP+ORDER+LIMIT。此外，數(shù)據(jù)庫本身的結(jié)構(gòu)化存儲模式也讓日志數(shù)據(jù)的管理變的更簡單，減少運(yùn)維代價(jià)。
同樣還是上面的那個例子，簡單的一個SQL就可以搞定：
SELECT * FROM (SELECT ip, COUNT(*) AS ip_count FROM apache_log GROUP BY ip) a ORDER BY ip_count DESC LIMIT 100
至于性能問題，數(shù)據(jù)庫的索引和各種優(yōu)化機(jī)制通常會讓我們的統(tǒng)計(jì)分析工作變得更快，并且上面提到的Infobright和Infinidb都專門為類似SUM、COUNt之類的聚集應(yīng)用做了優(yōu)化。當(dāng)然也不是絕對的會快，例如在數(shù)據(jù)庫中進(jìn)行LIKE操作，通常會比grep一個文件還要慢很多。
更進(jìn)一步的，使用基于數(shù)據(jù)庫的存儲，可以很容易的進(jìn)行OLAP(聯(lián)機(jī)分析處理)應(yīng)用，從日志中挖掘價(jià)值會變的更加簡單。
更多的數(shù)據(jù)怎么辦
一個好的數(shù)據(jù)庫似乎會讓事情變的很簡單，但是別忘了前面提到的都是單機(jī)數(shù)據(jù)庫。一臺單機(jī)在存儲容量、并發(fā)性上毫無疑問都是有很大限制的。而日志數(shù)據(jù)的特點(diǎn)之一就是隨時間持續(xù)增長，并且由于很多分析過程往往需要?dú)v史數(shù)據(jù)。短時間內(nèi)的增長也許可以通過分庫、分表或者數(shù)據(jù)壓縮等來解決，不過很顯然并不是長久之計(jì)。
想要徹底解決數(shù)據(jù)規(guī)模增長帶來的問題，很自然的會想到使用分布式技術(shù)，結(jié)合上面的結(jié)論，也許使用某個分布式數(shù)據(jù)庫是一個好選擇，那么對最終用戶就可以完全透明了。這個的確是很理想的情況，不過現(xiàn)實(shí)往往是殘酷的。
首先，實(shí)現(xiàn)比較完美的分布式數(shù)據(jù)庫(受限于CAP原則)是一個非常復(fù)雜的問題，因此在這里并不像單機(jī)數(shù)據(jù)庫那樣，有那么多開源的好東西可以用，甚至于商用的也并不是太多。當(dāng)然，也并非絕對，如果有錢，還是可以考慮一下Oracle RAC、Greenplum之類東西。
其次，絕大多數(shù)分布式數(shù)據(jù)庫都是NoSQL的，所以想繼續(xù)用上SQL的那些優(yōu)點(diǎn)基本上是沒指望，取而代之的都是一些簡單、難以使用的接口。單從這點(diǎn)看來，使用這些數(shù)據(jù)庫的價(jià)值已經(jīng)降低很多了。
所以，還是先現(xiàn)實(shí)一點(diǎn)，先退一步考慮如何解決的超大規(guī)模的日志的分析問題，而不是想如何讓它變的像在小數(shù)據(jù)規(guī)模時那樣簡單。單單想做到這點(diǎn)，目前看來并不是太難，并且依然有免費(fèi)的午餐可以吃。
Hadoop是偉大的Apache基金會下面的一套分布式系統(tǒng)，包括分布式文件系統(tǒng)(HDFS)、MapReduce計(jì)算框架、HBase等很多組件——這些基本都是Google的GFS/MapReduce/BigTable的克隆產(chǎn)品。
Hadoop經(jīng)過數(shù)年的發(fā)展，目前已經(jīng)很成熟了，尤其是其中的HDFS和MapReduce計(jì)算框架組件。數(shù)百臺機(jī)器的集群已經(jīng)被證明可以使用，可以承擔(dān)PB級別的數(shù)據(jù)。
Hadoop項(xiàng)目中的HBase是一個按列存儲的NoSQL分布式數(shù)據(jù)庫，它提供的功能和接口都非常簡單，只能進(jìn)行簡單的K-V查詢，因此并不直接適用于大多數(shù)日志分析應(yīng)用。所以一般使用Hadoop來做日志分析，首先還是需要將日志存儲在HDFS中，然后再使用它提供的MapReduce API編寫日志分析程序。
MapReduce是一種分布式編程模型，并不難學(xué)習(xí)，但是很顯然使用它來處理日志的代價(jià)依然遠(yuǎn)大于單機(jī)腳本或者SQL。一個簡單的詞頻統(tǒng)計(jì)計(jì)算可能都需要上百代碼——SQL只需要一行，另外還有復(fù)雜的環(huán)境準(zhǔn)備和啟動腳本。
例如同樣還是上面的例子，實(shí)現(xiàn)就要復(fù)雜的多，通常需要兩輪MapReduce來完成。首先要在第一輪的mapper中計(jì)算部分ip的訪問次數(shù)之和，并以ip為key輸出：
//遍歷輸入，并聚合結(jié)果
foreach(record in input) {
ip = record.ip;
dict[ip]++;
}
//用emit輸出，第一個參數(shù)為key，用于reduce的分發(fā)
foreach( in dict) {
emit(ip, count);
}
然后在第一輪的reduce中就可以得到每個ip完整的計(jì)數(shù)，可以順便排個序，并且只保留前100個。
count = 0;
//對于每個key(ip),遍歷所有的values(count)，并累加
while(input.values.hasNext()) {
count += input.values.next();
}
//插入到大小為100的堆中
heap_insert(input.key, count);
在reduce結(jié)束的時候輸出：
//輸出當(dāng)前reduce中count最高的100個ip
foreach( in dict) {
emit(ip, count);
}
由于reduce一般會有很多個，所以最后還需要將所有reduce的輸出進(jìn)行合并、再排序，并得到最終的前100個IP以及對應(yīng)的訪問量。
所以，使用Hadoop來做日志分析很顯然不是一件簡單事情，它帶來了很多的額外的學(xué)習(xí)和運(yùn)維成本，但是至少，它讓超大規(guī)模的日志分析變成了可能。
怎樣變得更簡單
在超大規(guī)模的數(shù)據(jù)上做任何事情都不是一件容易的事情，包括日志分析，但也并不是說分布式的日志分析就一定要去寫MapReduce代碼，總是可以去做進(jìn)一步的抽象，在特定的應(yīng)用下讓事情變得更簡單。
也許有人會很自然的想到如果能用SQL來操作Hadoop上的數(shù)據(jù)該有多好。事實(shí)上，不僅僅只有你一個人會這么想，很多人都這么想，并且他們實(shí)現(xiàn)了這個想法，于是就有了Hive。
Hive現(xiàn)在也是Hadoop項(xiàng)目下面的一個子項(xiàng)目，它可以讓我們用SQL的接口來執(zhí)行MapReduce，甚至提供了JDBC和ODBC的接口。有了這個之后，Hadoop基本上被包裝成一個數(shù)據(jù)庫。當(dāng)然實(shí)際上Hive的SQL最終還是被翻譯成了MapReduce代碼來執(zhí)行，因此即使最簡單的SQL可能也要執(zhí)行好幾十秒。幸好在通常的離線日志分析中，這個時間還是可以接受的。更重要的是，對于上面提到的例子，我們又可以用一樣的SQL來完成分析任務(wù)了。
當(dāng)然Hive并不是完全的兼容SQL語法，而且也不能做到完全的對用戶屏蔽細(xì)節(jié)。很多時候?yàn)榱藞?zhí)行性能的優(yōu)化，依然需要用戶去了解一些MapReduce的基本知識，根據(jù)自己的應(yīng)用模式來設(shè)置一些參數(shù)，否則我們可能會發(fā)現(xiàn)一個查詢執(zhí)行很慢，或者壓根執(zhí)行不出來。
另外，很顯然Hive也并不能覆蓋所有的需求，所以它依然保留插入原始MapReduce代碼的接口，以便擴(kuò)展。
更多的問題
即使有了Hive這樣一個類似于數(shù)據(jù)庫的東西，我們依然還有很多事情需要做。例如時間久了，可能會有越來越多的需要例行執(zhí)行的SQL，而這些SQL中，也許有一些是做了重復(fù)的事情;也許有一些的執(zhí)行效率非常低下，一個復(fù)雜的SQL就占滿了所有的計(jì)算資源。這樣的系統(tǒng)會變得越來越難以維護(hù)的，直到有一天例行的SQL終于跑不完了。而最終用戶往往不會去關(guān)心這些事情，他們只關(guān)心自己提交的查詢是不是能即時得到響應(yīng)，怎么樣才能盡快的拿到結(jié)果。舉個簡單的例子，如果發(fā)現(xiàn)在使用apache_log的所有查詢中，幾乎沒有人用其中的user_agent字段，那么我們完全可以把這個字段去除掉，或者拆分成兩張表，以減少多數(shù)查詢的IO時間，提高執(zhí)行的效率。
為了系統(tǒng)化的解決這些問題，我們可能需要引入例行任務(wù)的調(diào)度機(jī)制，可能需要去分析所有的SQL來發(fā)現(xiàn)哪些是可以合并的、哪些的性能需要優(yōu)化，使用的數(shù)據(jù)表是不是需要做水平或者垂直分表等等。根據(jù)實(shí)際情況的不同，這時事情可能是人工來完成，也可能是寫程序來自動分析并調(diào)整。
再者隨著日志類型、分析需求的不斷增長。用戶會越來越多的抱怨很難找到想要的數(shù)據(jù)在哪份日志里，或者跑的好好的查詢因?yàn)槿罩靖袷降淖兓蝗徊荒苡昧?。另外上面提到的ETL過程也會變得復(fù)雜，簡單的轉(zhuǎn)換導(dǎo)入腳本很可能已經(jīng)解決不了問題。這時候可能需要構(gòu)建一個數(shù)據(jù)管理系統(tǒng)，或者干脆考慮建立一個所謂的數(shù)據(jù)倉庫。