前段時(shí)間有個(gè)需求是要求查一段時(shí)間的dns上的域名訪問(wèn)次數(shù)排行(top100)，沒(méi)辦法，只好慢慢的去解析dns日志唄，正好學(xué)習(xí)了python，拿來(lái)練練手。
1.原始數(shù)據(jù)分析：
首先看下原始數(shù)據(jù)文件，即dns日志內(nèi)容，下面是抽取的幾條有代表性的日志，2×8.2×1.2x.1×5 這種中間的x是相應(yīng)的數(shù)字被我抹去了。
13-08-30 03:11:34,226 INFO : queries: ?C |1×3.2×8.2×0.2×0|config.dengluqi.net||config.34245.com.;127.0.0.1;||A|success|+|?CG―- qr rd ra |1|
13-08-30 03:11:34,229 INFO : queries: ?C |1×3.2×8.2x.2×8|p19.qhimg.com|default|2×8.2×1.2x.1×5;|default;|A|success|+|―w― qr aa rd ra |8061|
13-08-30 03:11:34,238 INFO : queries: ?C |1×3.2×8.x.9x|shu.taobao.com|default|2×8.2×1.2x.1×5;|default;|A|success|+|―w― qr aa rd ra |59034|
13-08-30 03:11:34,238 INFO : queries: ?C |1×3.2×8.2×7.1×2|cncjn.phn.live.baofeng.net|default|2×8.2×1.2x.17x;|default;|A|success|+|―w― qr aa rd ra |3004|
可以看出中間的日志采用的是|? 分割的，shu.taobao.com 即為我們想要的數(shù)據(jù)域名，至于域名訪問(wèn)次數(shù)統(tǒng)計(jì)，則每個(gè)域名的一條記錄算一次訪問(wèn)。由此我們可以確定一下兩點(diǎn)：
a)采用| 作為分割符
b)第二個(gè)字段domain為目標(biāo)數(shù)據(jù)，我們用作鍵值，即字典的key
c)domain[key]存儲(chǔ)相應(yīng)域名的訪問(wèn)次數(shù)
2.腳本構(gòu)思：
a)我們的dns日志都是隔一段時(shí)間自動(dòng)切割、壓縮為gz文件，因此首先必須采用gzip.open去打開(kāi)gz文件，這里需要導(dǎo)入gz庫(kù)。
b)要求查找的是一段時(shí)間的域名排行，所以必須有得過(guò)濾一段時(shí)間，這里我采用了正則的方式去過(guò)濾，so導(dǎo)入re正則庫(kù)。
c)排序，必須對(duì)結(jié)果進(jìn)行排序，然后輸出topXX的結(jié)果，由于是采用字典保存的，而字典是亂想的，所以必須有合適的辦法去排序，字典的iteritems正好適用。
3.腳本編寫(xiě)：
明白了大致要點(diǎn)，腳本寫(xiě)起來(lái)就很easy了。
代碼如下：
#write by siashero
import gzip
import re
file = gzip.open("e:\python_programs\queries.log.CBN-XA-1-3N3.20130803160052.gz")
domain_list= {}
print "time format is 13-08-04 19:1{1,2,3,4,5} "
time = raw_input("please enter a time you want to analysis")
while True:
line = file.readline()
if not line:
break
if re.search(time,line):
domain = line.split(‘|')[2]
if domain in domain_list:
domain_list[domain] += 1
else:
domain_list[domain] = 1
count = 0
for v in sorted(domain_list.iteritems(),key =lambda x:x[1],reverse=True):
print v[1],v[0]
#to print the only top20 domain
if count > 20:
break
count += 1
raw_input("enter a word to finish")
file.close
稍微說(shuō)下腳本內(nèi)容，queries.log.CMN-CQ.20130830031330.gz 為具體的一個(gè)目標(biāo)文件，腳本主要是采用字典存儲(chǔ)，以domain字段作為key，domain[key]存儲(chǔ)訪問(wèn)次數(shù)。
稍后調(diào)用字典的iteritems 方法生產(chǎn)迭代器進(jìn)行排序，最后輸入top100的域名。
最后的raw_input(“enter a word to finish”) 是因?yàn)槲以趙in7下測(cè)試的，默認(rèn)執(zhí)行完就一閃而過(guò)了，加入這行純碎是為了觀察結(jié)果，linux下可以刪去。
這里稍微別扭的是時(shí)間的過(guò)濾采用的是正則去過(guò)濾的，所以要求輸入必須是正則的方式，這點(diǎn)麻煩。
3.執(zhí)行
說(shuō)了大半天了，還是先跑下看看效果吧。
可以看出正常輸出了top20的域名。
4.總結(jié)：
大致實(shí)現(xiàn)了相應(yīng)的要求，只是很多的文件處理的不大好。例如采用正規(guī)去過(guò)濾時(shí)間段，在數(shù)據(jù)量很大的情況下會(huì)對(duì)性能有影響。同時(shí)感謝同事,最后的字典的排序方法我是抄他的，感謝個(gè)～
更多文章、技術(shù)交流、商務(wù)合作、聯(lián)系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號(hào)聯(lián)系： 360901061
您的支持是博主寫(xiě)作最大的動(dòng)力，如果您喜歡我的文章，感覺(jué)我的文章對(duì)您有幫助，請(qǐng)用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點(diǎn)擊下面給點(diǎn)支持吧，站長(zhǎng)非常感激您！手機(jī)微信長(zhǎng)按不能支付解決辦法：請(qǐng)將微信支付二維碼保存到相冊(cè)，切換到微信，然后點(diǎn)擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對(duì)您有幫助就好】元
