阴差阳错的做的日志分析，前途未卜的这段日子，唯一还有点意思的可能就是手动的处理大量日志。总结一下。

日志文件的输入是动则几个G的文本。从N个这样的文件中得到一个列表，一个数字，一个比例。在什么工具都没有情况下，用shell命令不仅是验证系统数据的准确性的方法，也是一个很好的学习过程。

使用cut命令切割日志行

下面的一行典型的apache访问日志：

120.51.133.125 - - [26/Apr/2013:12:20:06 +0800] "GET /skins/skin_homepage.php?display=wvga&lang=ja_JP&pixel=720X1280&density=2.0&version=5.7&key=5146f54950f09f71750005ef&uid=1 HTTP/1.1" 200 4847 "http://t.co/rww3WDuhS5" "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; YTB730)" 0

如果需要得到IP地址可以使用cut命令：

catlog|cut-d''-f1

-d ' '表示按照空格将行切开，-f1 取第一个字段，这样得到的结果就是IP列表：

有时候拿到的文件是\t分隔，也可以使用cut切开，只不过需要多写一个$。

[l]$catlog|cut-d'\t'-f1cut:thedelimitermustbeasinglecharacter#-d'\t'会报错的cut-f2-d$'\t'infile#work

使用tr命令去掉字符，替换字符。如果拿到分割的文件：

catlog|tr-s''','

将空格替换成,文件变成csv：

catlog|tr-d''

上面的命令直接删除空格。

日志处理后经常会出现空行，tr命令去掉空行的原理就是将连续两个换行替换成一个换行：

catlog|tr-s'\n\n''\n'

使用uniq命令去重

试想得到IP列表，欲得到独立访问的IP列表。

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

如果不仅仅是去重，还想统计每个IP访问次数，可以加一个参数c：

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

得到的格式形如：

1126.193.38.128549.98.156.154

前面的数字就是出现的次数。

使用awk/seed来处理日志

awk/seed是处理日志的最终的万金油。确实是什么都可以做。awk/seed是一门很大的学问。这里取我碰到的一个日志，日志格式形如：

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。

grep的功能是筛选isActive=1的行。awk 后面跟''的是awk语言。$0总是代表当前匹配的字段值，match substr是awk可以用的函数，当match时后面{}中的代码才会执行。当match，$0就是正则匹配的部分。RSTART,RLENGTH是awk可以使用的常量，分别表示开始匹配的开始下标，RLENGTH是匹配的长度。

在''中需要再使用'光转义是不行的，得用16进制的代码\x27。转16进制可以使用python代码 "'".encode("hex")得到

//惊讶awk就这么简单的解释了，可这连入门都算不上。

集合操作

试想我想得到两个列表的交际，并集，差集，统计中经常会碰到，比如我想获得昨天今天都在访问的IP，其实就是今天的IP列表和昨天IP列表的交集。

先定义两个简单的文件：

[l]$cata.txt12345[l]$catb.txt456789

如果想得到ab的交集4 5 ,可以使用下面的命令：

sort-ma.txtb.txt|uniq-d45

如果要得到并集1-9，可以：

sort-ma.txtb.txt|uniq123456789

如果想得到ab的差集，即a去掉ab的交集1 2 3

comm-23a.txtb.txt123

同理：ba的差集：

comm-13a.txtb.txtcomm-23b.txta.txt

上述两个命令等价。

comm命令就是compare功能，如果什么参数都不带呢得到的什么呢？

comma.txtb.txt123456789

diff命令以前经常看代码改了哪些：