进行WEB日志分类的N种方法

进行WEB日志分类的N种方法
(源自：杨志刚 博客 http://yangzhigang.cublog.cn)

前言：
网站有一类日志是通过反向代理设备生成的，生成日志时，各个域名的所有访问日志是混在一起的，日志格式是一致的，如下：
www.x1.cn 121.11.151.36 "[05/Aug/2010:12:59:36]" "GET / HTTP/1.0" 200 3427 - -
www.x1.cn 211.14.161.36 "[05/Aug/2010:13:11:37]" "GET / HTTP/1.0" 200 3327 - -
www.x2.cn 222.11.151.36 "[05/Aug/2010:13:12:16]" "GET / HTTP/1.0" 200 3127 - -
www.x5.cn 202.11.151.36 "[05/Aug/2010:14:50:26]" "GET / HTTP/1.0" 200 5527 - -
www.x2.cn 121.11.151.36 "[05/Aug/2010:15:34:46]" "GET / HTTP/1.0" 200 7427 - -
…………………………………….

在传给日志系统分析前，要按域名分类到不同的日志文件中，以下通过几种分类方法，来对比说明一下。

方法1：（awk直接分类）
awk ‘{print $0>$1”.txt”}’ log.txt                     //分离后存到本目录
awk '{print $0>"./dirx/"$1".txt"}' log.txt                //分离后存到其它本目录

方法：2（shell脚本while循环）
#!/bin/sh
cat log1.txt | while read line;
do
newlog=`echo $line|awk '{print $1}' `
echo $line >>$newlog.txt
done

方法：3（shell脚本循环grep过滤）
#cat name.ini                //建一个所有域名的文件
www.x1.cn
www.x2.cn
www.x5.cn
………

#!/bin/sh
ServerName=./name.ini
for hostname in `cat ${name}`
do
grep ^${hostname} log.file>>$hostname.txt
done

方法：4（shell脚本循环grep过滤）
(在方法3的基础上，逐步减小源文件)
#!/bin/sh
name=./name.ini
for hostname in `cat ${name}`
do
grep ^${hostname} log.file>>$hostname.txt
grep -v ^${hostname} log.file >> log.file.tmp
mv log.file.tmp log.file
done

执行效率测试
测试条件 日志大小：14M；域名数量：39；文件行数：100000 
方法1: 2.361s 
方法2: 7m32.607s 
方法3: 4m54.135s 
方法4： 9m44.615s

总结：
同样是对日志按域名分类，各种方法的效率相差很大，建议采用方法一。