網站日志挖掘分析-WEB日志格式及分析工具

　　WEB日志是網站分析和網站數據數據整理最基礎的數據，了解其格式和組成將有利于更好地進行數據的收集、處理和分析。

　　一、日志格式類型

　　目前常見的WEB日志格式主要由兩類，一類是Apache的NCSA日志格式，另一類是IIS的W3C日志格式。NCSA格式又分為NCSA普通日志格式(CLF)和NCSA擴展日志格式(ECLF)兩類，目前最常用的是NCSA擴展日志格式(ECLF)及基于自定義類型的Apache日志格式;而W3C擴展日志格式(ExLF)具備了更為豐富的輸出信息，但目前的應用并不廣泛，所以這里主要介紹的是NCSA擴展日志格式(ECLF)。

　　二、常見日志格式的組成

　　這是一個最常見的基于NCSA擴展日志格式(ECLF)的Apache日志樣例：

　　可以看到這個日志主要由以下幾個部分組成：

　　訪問主機(remotehost)顯示主機的IP地址或者已解析的域名。

　　標識符(Ident)由identd或直接由瀏覽器返回瀏覽者的EMAIL或其他唯一標示，因為涉及用戶郵箱等隱私信息，目前幾乎所有的瀏覽器就取消了這項功能。

　　授權用戶(authuser)用于記錄瀏覽者進行身份驗證時提供的名字，如果需要身份驗證或者訪問密碼保護的信息則這項不為空，但目前大多數網站的日志這項也都是為空的。

　　日期時間(date)一般的格式形如[22/Feb/2010:09:51:46 +0800]，即[日期/月份/年份:小時:分鐘:秒鐘時區]，占用的的字符位數也基本固定。

　　請求(request)即在網站上通過何種方式獲取了哪些信息，也是日志中較為重要的一項，主要包括以下三個部分：

　　請求類型(METHOD)常見的請求類型主要包括GET/POST/HEAD這三種;

　　請求資源(RESOURCE)顯示的是相應資源的URL，可以是某個網頁的地址，也可以是網頁上調用的圖片、動畫、CSS等資源;

　　協議版本號(PROTOCOL)顯示協議及版本信息，通常是HTTP/1.1或HTTP/1.0。

　　狀態碼(status)用于表示服務器的響應狀態，通常1xx的狀態碼表示繼續消息;2xx表示請求成功;3xx表示請求的重定向;4xx表示客戶端錯誤;5xx表示服務器錯誤。

　　傳輸字節數(bytes)即該次請求中一共傳輸的字節數。

　　來源頁面(referrer)用于表示瀏覽者在訪問該頁面之前所瀏覽的頁面，只有從上一頁面鏈接過來的請求才會有該項輸出，如果是新開的頁面則該項為空。上例中來源頁面是google，即用戶從google搜索的結果中點擊進入。

　　用戶代理(agent)用于顯示用戶的詳細信息，包括IP、OS、Bowser等。

　　三、日志格式擴展

　　apache日志格式可以自定義來配置其輸出格式，常見的基于NCSA擴展日志格式(ECLF)自定義添加的包括域名(domain)和cookie。其中域名在一個網站擁有二級域名或者子域名時，可以更好地區分日志;而cookie可以作為用戶的身份標識。其他具體的自定義信息詳見：Custom Log Formats

　　四、導入日志數據到MySQL中

　　訪問分析是SEO的一項重要工作，但統計、分析工具畢竟功能是針對大眾的，很多時候SEO需要一些特定的數據，是統計分析軟件、程序所不能提供的。這樣，直接的Web日志分析就是最合適的了，日志中會記錄每一個訪問情況，只要按自己的意愿提取、組合，就能得到想要的數據。使用SQL語句分析是最方便的，需要什么樣的數據，只要使用相應的SQL命令就能實現。

　　導入Web日志到MySQL數據庫的實現

　　1、修改Apache日志格式

　　修改Web日志格式為：

　　?

　　SQL需要導入的內容有特定的分隔符，Apache的日志默認是以空格分隔的，而有些內容(如狀態碼中的 200 610)也包含空格，這就無法準確的導入。將日志格式修改為以逗號分隔，就能準確的導入了。還可以根據自己的需要，取消日志格式中不需要的內容，減少日志文件大小。

　　2、建立MySQL數據表

　　注：上面只是一個MySQL數據表結構范例，沒有與上一步日志格式對應，請勿直接復制使用!

　　新建一個數據庫，數據表結構與日志格式對應起來。

　　3、導入日志到MySQL中

　　weblog 對應上面的數據表名。

　　另外，樂思蜀從網上找到一個將IIS日志導入到MySQL數據庫的.pl程序，需要的點這里下載(Readme.txt為使用說明)。

　　五、常用日志分析工具

　　1.awstats

　　2.analog

　　3.webalizer

　　4.PHPMyVisites