6

问题：我经常需要查看在特定日志的最后一天内重复频率最高的“模式”是什么。就像这里的一小部分 tomcat 日志一样：

GET /app1/public/pkg_e/v3/555413242345562/account/stats 401 954 5
GET /app1/public/pkg_e/v3/555412562561928/account/stats 200 954 97
GET /app1/secure/pkg_e/v3/555416251626403/ex/items/ 200 517 18
GET /app1/secure/pkg_e/v3/555412564516032/ex/cycle/items 200 32839 50
DELETE /app1/internal/pkg_e/v3/accounts/555411543532089/devices/bbbbbbbb-cccc-2000-dddd-43a8eabcdaa0 404 - 1
GET /app1/secure/pkg_e/v3/555412465246556/sessions 200 947 40
GET /app1/public/pkg_e/v3/555416264256223/account/stats 401 954 4
GET /app2/provisioning/v3/555412562561928/devices 200 1643 65
...

如果我想找出最常用的 URL（以及方法和 retcode） - 我会这样做：

[root@srv112:~]$ N=6;cat test|awk '{print $1" "$2" ("$3")"}'\
|sed 's/[0-9a-f-]\+ (/%GUID% (/;s/\/[0-9]\{4,\}\//\/%USERNAME%\//'\
|sort|uniq -c|sort -rn|head -$N
      4 GET /app1/public/pkg_e/v3/%USERNAME%/account/stats (401)
      2 GET /app1/secure/pkg_e/v3/%USERNAME%/devices (200)
      2 GET /app1/public/pkg_e/v3/%USERNAME%/account/stats (200)
      2 DELETE /app1/internal/pkg_e/v3/accounts/%USERNAME%/devices/%GUID% (404)
      1 POST /app2/servlet/handler (200)
      1 POST /app1/servlet/handler (200)

如果我想从同一个文件中找出最常用的用户名 - 我会这样做：

[root@srv112:~]$ N=4;cat test|grep -Po '(?<=\/)[0-9]{4,}(?=\/)'\
|sort|uniq -c|sort -rn|head -$N
      9 555412562561928
      2 555411543532089
      1 555417257243373
      1 555416264256223

上面在小数据集上工作得很好，但是对于更大的输入集 - 性能（复杂性）sort|uniq -c|sort -rn|head -$N是难以忍受的（大约 100 台服务器，每台服务器约 250 个日志文件，每个日志文件约 100 万行）

尝试解决： |sort|uniq -c零件可以很容易地用 awk 1-liner 替换，变成：

|awk '{S[$0]+=1}END{for(i in S)print S[i]"\t"i}'|sort -rn|head -$N

但我未能找到“快速选择算法”（在此处讨论）的标准/简单和高效内存实现来优化该|sort -rn|head -$N部分。正在寻找 GNU 二进制文件、rpms、awk 1-liners 或一些我可以在数据中心携带/传播的易于编译的 Ansi C 代码，以转向：

3   tasty oranges
225 magic balls
17  happy dolls
15  misty clouds
93  juicy melons
55  rusty ideas
...

进入（给定 N = 3）：

225 magic balls
93  juicy melons
55  rusty ideas

我可能可以获取示例 Java 代码并将其移植为上述标准输入格式（顺便说一下 - 对.quickselect(...)核心 java 的缺乏感到惊讶） - 但是到处部署 java-runtime 的需要并不吸引人。我也许也可以抓取它的示例（基于数组的）C 片段，然后将其调整为上述标准输入格式，然后测试和修复泄漏等一段时间。或者甚至在 awk 中从头开始实现它。但是（！） - 超过 1% 的人可能经常面临这种简单的需求 - 应该有一个标准的（预先测试的）实现吗？希望...也许我使用了错误的关键字来查找它...

其他障碍：在处理大型数据集时还面临一些问题：

  • 日志文件位于约 100 台服务器的 NFS 安装卷上 - 因此将工作并行化并将其拆分为更小的块是有意义的
  • 以上awk '{S[$0]+=1}...需要内存 - 我看到它在耗尽 16GB 时会死掉（尽管有 48GB 的​​可用 RAM 和大量交换......也许我忽略了一些 linux 限制）

我目前的解决方案仍然不可靠且不是最佳的（正在进行中）看起来像：

find /logs/mount/srv*/tomcat/2013-09-24/ -type f -name "*_22:*"|\ 
# TODO: reorder 'find' output to round-robin through srv1 srv2 ...
#       to help 'parallel' work with multiple servers at once
parallel -P20 $"zgrep -Po '[my pattern-grep regexp]' {}\
|awk '{S[\$0]+=1}
END{for(i in S)if(S[i]>4)print \"count: \"S[i]\"\\n\"i}'"
# I throw away patterns met less than 5 times per log file
# in hope those won't pop on top of result list anyway - bogus
# but helps to address 16GB-mem problem for 'awk' below
awk '{if("count:"==$1){C=$2}else{S[$0]+=C}}
END{for(i in S)if(S[i]>99)print S[i]"\t"i}'|\
# I also skip all patterns which are met less than 100 times
# the hope that these won't be on top of the list is quite reliable
sort -rn|head -$N
# above line is the inefficient one I strive to address
4

1 回答 1

2

我不确定您是否可以接受编写自己的小工具，但您可以轻松编写一个小工具来将|sort|uniq -c|sort -rn|head -$N-part替换为|sort|quickselect $N. 该工具的好处是，它只从第一个读取输出sort一次，逐行读取，并且不会在内存中保留太多数据。实际上，它只需要内存来保存当前行和$N然后打印的顶行。

这是来源quickselect.cpp：

#include <iostream>
#include <string>
#include <map>
#include <cstdlib>
#include <cassert>

typedef std::multimap< std::size_t, std::string, std::greater< std::size_t > > winner_t;
winner_t winner;
std::size_t max;

void insert( int count, const std::string& line )
{
    winner.insert( winner_t::value_type( count, line ) );
    if( winner.size() > max )
        winner.erase( --winner.end() );
}

int main( int argc, char** argv )
{
    assert( argc == 2 );
    max = std::atol( argv[1] );
    assert( max > 0 );
    std::string current, last;
    std::size_t count = 0;
    while( std::getline( std::cin, current ) ) {
        if( current != last ) {
            insert( count, last );
            count = 1;
            last = current;
        }
        else ++count;
    }
    if( count ) insert( count, current );
    for( winner_t::iterator it = winner.begin(); it != winner.end(); ++it )
        std::cout << it->first << " " << it->second << std::endl;
}

编译：

g++ -O3 quickselect.cpp -o quickselect

是的，我确实意识到您要求的是开箱即​​用的解决方案，但我不知道有什么同样有效的方法。以上内容非常简单，几乎没有任何错误余地（假设您没有弄乱单个数字命令行参数:)

于 2013-10-17T23:00:50.143 回答