使用Bash和Python统计高频请求IP
一、问题描述对外服务的Web系统有时候会遭到黑客的DDoS攻击，或者是被第三方软件爬取页面窃取服务，因此需要查找统计出高频请求的来源IP，以便后续处理。
二、处理思路
为避免打草惊蛇，先对最近一段时间内的HTTP服务器日志以及Servlet容器的日志进行静态分析统计，过滤掉合法请求来源后降序展示出统计结果，然后再人工锁定可疑IP。
由于计算量不大，可以使用bash shell命令以及python对日志文件进行统计。如果日后计算量剧增再考虑使用Hadoop MapReduce进行并行处理。
三、具体实现
1.使用grep查找出所有请求IP：
grep -r -E -o "(25|2|??)\.(25|2|??)\.(25|2|??)\.(25|2|??)" WebLog*
-r是递归搜索
-E选项表示使用grep扩展的正则表达式
-o选项是只显示匹配到的字符串
输出结果形如：
log_file_name:ip_addr
2.使用python统计ip请求次数：
import sys
ipMap = {}
ipFilters = ("10.", "172.")
def isFiltered(inIp):
for ip in ipFilters:
if inIp.startswith(ip):
return True
return False
for line in sys.stdin:
line = line.strip()
if line:
words = line.split(":")
if words and len(words) > 1:
if isFiltered(words):
continue
elif ipMap.get(words):
ipMap] += 1
else:
ipMap] = 1
for (key, value) in ipMap.items():
print "%-16s %d" % (key,value)
从标准输入流中按行读取数据，过滤掉白名单中的数据，然后放到字典中进行计数，最后把统计结果打印到标准输出流。
3.使用sort进行降序排序：
sort -k 2 -n -r
-k是选取第二列进行排序
-n是使用数字排序，不然会出现9比10大的情况
-r是降序，默认是升序
4.输出前N条记录：
head -n N
5.综合：
grep -r -E -o "(25|2|??)\.(25|2|??)\.(25|2|??)\.(25|2|??)" WebLog* | python ipcount.py | sort -k 2 -n -r | head -n 20
从100M+的日志文件夹中得出统计结果所需时间在10秒以内，效果还算可以接受。
6.其实也可以全部用bash命令来实现：
grep -E -o "(25|2|??)\.(25|2|??)\.(25|2|??)\.(25|2|??)" WebLog* | awk '{split($1,a,":");print a}' | sed '/172\..*$/d' | sed '/10\..*$/d' | sort | uniq -c | sort -nr | head -n 20
四、参考资料：
http://www.jbxue.com/LINUXjishu/24950.html
http://www.iyunv.com/os/201308/236418.html
http://sjolzy.cn/Python-built-in-string-handling-functions-order.html
http://www.michael-noll.com/tutorials/writing-an-hadoop-mapreduce-program-in-python/
http://www.cnblogs.com/yangyongzhi/archive/2012/09/17/2688326.html
http://www.cnblogs.com/51linux/archive/2012/05/23/2515299.html
http://robbinfan.com/blog/11/anti-crawler-strategy 多谢大神分享
页:
[1]