輕松看懂WEB日志格式
WEB日志是網站分析和網站數據倉庫的數據最基礎來源，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。
1、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)。
2、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：
58.61.164.141 – – [22/Feb/2010:09:51:46 +0800] “GET /reference-and-source/weblog-format/ HTTP/1.1″ 206 6326 ” http://www.google.cn/search?q=webdataanalysis” “Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)”
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。
3、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。