張洋：網(wǎng)站統(tǒng)計中的數(shù)據(jù)收集原理及實現(xiàn)
網(wǎng)站數(shù)據(jù)統(tǒng)計分析工具是網(wǎng)站站長和運營人員經(jīng)常使用的一種工具，比較常用的有谷歌分析、百度統(tǒng)計和騰訊分析等等。所有這些統(tǒng)計分析工具的第一步都是網(wǎng)站訪問數(shù)據(jù)的收集。目前主流的數(shù)據(jù)收集方式基本都是基于javascript的。本文將簡要分析這種數(shù)據(jù)收集的原理，并一步一步實際搭建一個實際的數(shù)據(jù)收集系統(tǒng)。
數(shù)據(jù)收集原理分析
簡單來說，網(wǎng)站統(tǒng)計分析工具需要收集到用戶瀏覽目標網(wǎng)站的行為（如打開某網(wǎng)頁、點擊某按鈕、將商品加入購物車等）及行為附加數(shù)據(jù)（如某下單行為產(chǎn)生的訂單金額等）。早期的網(wǎng)站統(tǒng)計往往只收集一種用戶行為：頁面的打開。而后用戶在頁面中的行為均無法收集。這種收集策略能滿足基本的流量分析、來源分析、內容分析及訪客屬性等常用分析視角，但是，隨著ajax技術的廣泛使用及電子商務網(wǎng)站對于電子商務目標的統(tǒng)計分析的需求越來越強烈，這種傳統(tǒng)的收集策略已經(jīng)顯得力不能及。
后來，Google在其產(chǎn)品谷歌分析中創(chuàng)新性的引入了可定制的數(shù)據(jù)收集腳本，用戶通過谷歌分析定義好的可擴展接口，只需編寫少量的javascript代碼就可以實現(xiàn)自定義事件和自定義指標的跟蹤和分析。目前百度統(tǒng)計、搜狗分析等產(chǎn)品均照搬了谷歌分析的模式。
其實說起來兩種數(shù)據(jù)收集模式的基本原理和流程是一致的，只是后一種通過javascript收集到了更多的信息。下面看一下現(xiàn)在各種網(wǎng)站統(tǒng)計工具的數(shù)據(jù)收集基本原理。
流程概覽
首先通過一幅圖總體看一下數(shù)據(jù)收集的基本流程。
圖1. 網(wǎng)站統(tǒng)計數(shù)據(jù)收集基本流程
首先，用戶的行為會觸發(fā)瀏覽器對被統(tǒng)計頁面的一個http請求，這里姑且先認為行為就是打開網(wǎng)頁。當網(wǎng)頁被打開，頁面中的埋點javascript 片段會被執(zhí)行，用過相關工具的朋友應該知道，一般網(wǎng)站統(tǒng)計工具都會要求用戶在網(wǎng)頁中加入一小段javascript代碼，這個代碼片段一般會動態(tài)創(chuàng)建一個 script標簽，并將src指向一個單獨的js文件，此時這個單獨的js文件（圖1中綠色節(jié)點）會被瀏覽器請求到并執(zhí)行，這個js往往就是真正的數(shù)據(jù)收集腳本。數(shù)據(jù)收集完成后，js會請求一個后端的數(shù)據(jù)收集腳本（圖1中的backend），這個腳本一般是一個偽裝成圖片的動態(tài)腳本程序，可能由php、 python或其它服務端語言編寫，js會將收集到的數(shù)據(jù)通過http參數(shù)的方式傳遞給后端腳本，后端腳本解析參數(shù)并按固定格式記錄到訪問日志，同時可能會在http響應中給客戶端種植一些用于追蹤的cookie。
上面是一個數(shù)據(jù)收集的大概流程，下面以谷歌分析為例，對每一個階段進行一個相對詳細的分析。
埋點腳本執(zhí)行階段
若要使用谷歌分析（以下簡稱GA），需要在頁面中插入一段它提供的javascript片段，這個片段往往被稱為埋點代碼。下面是我的博客中所放置的谷歌分析埋點代碼截圖：
圖2. 谷歌分析埋點代碼
其中_gaq是GA的的全局數(shù)組，用于放置各種配置，其中每一條配置的格式為：
- _gaq.push(['Action', 'param1', 'param2', ...]);
Action指定配置動作，后面是相關的參數(shù)列表。GA給的默認埋點代碼會給出兩條預置配置，_setAccount用于設置網(wǎng)站標識ID，這個標識ID是在注冊GA時分配的。_trackPageview告訴GA跟蹤一次頁面訪問。更多配置請參考：https://developers.google.com/analytics/devguides/collection/gajs/。實際上，這個_gaq是被當做一個FIFO隊列來用的，配置代碼不必出現(xiàn)在埋點代碼之前，具體請參考上述鏈接的說明。
就本文來說，_gaq的機制不是重點，重點是后面匿名函數(shù)的代碼，這才是埋點代碼真正要做的。這段代碼的主要目的就是引入一個外部的js文件（ga.js），方式是通過document.createElement方法創(chuàng)建一個script并根據(jù)協(xié)議（http或https）將src指向對應的ga.js，最后將這個element插入頁面的dom樹上。
注意ga.async = true的意思是異步調用外部js文件，即不阻塞瀏覽器的解析，待外部js下載完成后異步執(zhí)行。這個屬性是HTML5新引入的。
#p#
數(shù)據(jù)收集腳本執(zhí)行階段
數(shù)據(jù)收集腳本（ga.js）被請求后會被執(zhí)行，這個腳本一般要做如下幾件事：
1、通過瀏覽器內置javascript對象收集信息，如頁面title（通過document.title）、referrer（上一跳url，通過document.referrer）、用戶顯示器分辨率（通過windows.screen）、cookie信息（通過 document.cookie）等等一些信息。
2、解析_gaq收集配置信息。這里面可能會包括用戶自定義的事件跟蹤、業(yè)務數(shù)據(jù)（如電子商務網(wǎng)站的商品編號等）等。
3、將上面兩步收集的數(shù)據(jù)按預定義格式解析并拼接。
4、請求一個后端腳本，將信息放在http request參數(shù)中攜帶給后端腳本。
這里唯一的問題是步驟4，javascript請求后端腳本常用的方法是ajax，但是ajax是不能跨域請求的。這里ga.js在被統(tǒng)計網(wǎng)站的域內執(zhí)行，而后端腳本在另外的域（GA的后端統(tǒng)計腳本是http://www.google-analytics.com/__utm.gif），ajax行不通。一種通用的方法是js腳本創(chuàng)建一個Image對象，將Image對象的src屬性指向后端腳本并攜帶參數(shù)，此時即實現(xiàn)了跨域請求后端。這也是后端腳本為什么通常偽裝成gif文件的原因。通過http抓包可以看到ga.js對__utm.gif的請求：
圖3. 后端腳本請求的http包
可以看到ga.js在請求__utm.gif時帶了很多信息，例如utmsr=1280×1024是屏幕分辨率，utmac=UA-35712773-1是_gaq中解析出的我的GA標識ID等等。
值得注意的是，__utm.gif未必只會在埋點代碼執(zhí)行時被請求，如果用_trackEvent配置了事件跟蹤，則在事件發(fā)生時也會請求這個腳本。
由于ga.js經(jīng)過了壓縮和混淆，可讀性很差，我們就不分析了，具體后面實現(xiàn)階段我會實現(xiàn)一個功能類似的腳本。
后端腳本執(zhí)行階段
GA的__utm.gif是一個偽裝成gif的腳本。這種后端腳本一般要完成以下幾件事情：
1、解析http請求參數(shù)的到信息。
2、從服務器（WebServer）中獲取一些客戶端無法獲取的信息，如訪客ip等。
3、將信息按格式寫入log。
5、生成一副1×1的空gif圖片作為響應內容并將響應頭的Content-type設為image/gif。
5、在響應頭中通過Set-cookie設置一些需要的cookie信息。
之所以要設置cookie是因為如果要跟蹤唯一訪客，通常做法是如果在請求時發(fā)現(xiàn)客戶端沒有指定的跟蹤cookie，則根據(jù)規(guī)則生成一個全局唯一的 cookie并種植給用戶，否則Set-cookie中放置獲取到的跟蹤cookie以保持同一用戶cookie不變（見圖4）。
圖4. 通過cookie跟蹤唯一用戶的原理
這種做法雖然不是完美的（例如用戶清掉cookie或更換瀏覽器會被認為是兩個用戶），但是是目前被廣泛使用的手段。注意，如果沒有跨站跟蹤同一用戶的需求，可以通過js將cookie種植在被統(tǒng)計站點的域下（GA是這么做的），如果要全網(wǎng)統(tǒng)一定位，則通過后端腳本種植在服務端域下（我們待會的實現(xiàn)會這么做）。
#p#
系統(tǒng)的設計實現(xiàn)
根據(jù)上述原理，我自己搭建了一個訪問日志收集系統(tǒng)?？傮w來說，搭建這個系統(tǒng)要做如下的事：
圖5. 訪問數(shù)據(jù)收集系統(tǒng)工作分解
下面詳述每一步的實現(xiàn)。我將這個系統(tǒng)叫做MyAnalytics。
確定收集的信息
為了簡單起見，我不打算實現(xiàn)GA的完整數(shù)據(jù)收集模型，而是收集以下信息。
| 名稱 | 途徑 | 備注 |
| 訪問時間 | web server | Nginx $msec |
| IP | web server | Nginx $remote_addr |
| 域名 | javascript | document.domain |
| URL | javascript | document.URL |
| 頁面標題 | javascript | document.title |
| 分辨率 | javascript | window.screen.height & width |
| 顏色深度 | javascript | window.screen.colorDepth |
| Referrer | javascript | document.referrer |
| 瀏覽客戶端 | web server | Nginx $http_user_agent |
| 客戶端語言 | javascript | navigator.language |
| 訪客標識 | cookie | |
| 網(wǎng)站標識 | javascript | 自定義對象 |
埋點代碼
埋點代碼我將借鑒GA的模式，但是目前不會將配置對象作為一個FIFO隊列用。一個埋點代碼的模板如下：
- <script type="text/javascript">
- var _maq = _maq || [];
- _maq.push(['_setAccount', '網(wǎng)站標識']);
- (function() {
- var ma = document.createElement('script'); ma.type = 'text/javascript'; ma.async = true;
- ma.src = ('https:' == document.location.protocol ? 'https://analytics' : 'http://analytics') + '.codinglabs.org/ma.js';
- var s = document.getElementsByTagName('script')[0]; s.parentNode.insertBefore(ma, s);
- })();
- </script>
這里我啟用了二級域名analytics.codinglabs.org，統(tǒng)計腳本的名稱為ma.js。當然這里有一點小問題，因為我并沒有https的服務器，所以如果一個https站點部署了代碼會有問題，不過這里我們先忽略吧。
前端統(tǒng)計腳本
我寫了一個不是很完善但能完成基本工作的統(tǒng)計腳本ma.js：
- (function () {
- var params = {};
- //Document對象數(shù)據(jù)
- if(document) {
- params.domain = document.domain || '';
- params.url = document.URL || '';
- params.title = document.title || '';
- params.referrer = document.referrer || '';
- }
- //Window對象數(shù)據(jù)
- if(window && window.screen) {
- params.sh = window.screen.height || 0;
- params.sw = window.screen.width || 0;
- params.cd = window.screen.colorDepth || 0;
- }
- //navigator對象數(shù)據(jù)
- if(navigator) {
- params.lang = navigator.language || '';
- }
- //解析_maq配置
- if(_maq) {
- for(var i in _maq) {
- switch(_maq[i][0]) {
- case '_setAccount':
- params.account = _maq[i][1];
- break;
- default:
- break;
- }
- }
- }
- //拼接參數(shù)串
- var args = '';
- for(var i in params) {
- if(args != '') {
- args += '&';
- }
- args += i + '=' + encodeURIComponent(params[i]);
- }
- //通過Image對象請求后端腳本
- var img = new Image(1, 1);
- img.src = 'http://analytics.codinglabs.org/1.gif?' + args;
- })();
整個腳本放在匿名函數(shù)里，確保不會污染全局環(huán)境。功能在原理一節(jié)已經(jīng)說明，不再贅述。其中1.gif是后端腳本。
日志格式
日志采用每行一條記錄的方式，采用不可見字符^A（ascii碼0x01，Linux下可通過ctrl + v ctrl + a輸入，下文均用“^A”表示不可見字符0x01），具體格式如下：
時間^AIP^A域名^AURL^A頁面標題^AReferrer^A分辨率高^A分辨率寬^A顏色深度^A語言^A客戶端信息^A用戶標識^A網(wǎng)站標識。
#p#
后端腳本
為了簡單和效率考慮，我打算直接使用nginx的access_log做日志收集，不過有個問題就是nginx配置本身的邏輯表達能力有限，所以我選用了OpenResty做這個事情。OpenResty是一個基于Nginx擴展出的高性能應用開發(fā)平臺，內部集成了諸多有用的模塊，其中的核心是通過ngx_lua模塊集成了 Lua，從而在nginx配置文件中可以通過Lua來表述業(yè)務。關于這個平臺我這里不做過多介紹，感興趣的同學可以參考其官方網(wǎng)站http://openresty.org/，或者這里有其作者章亦春（agentzh）做的一個非常有愛的介紹OpenResty的slide：http://agentzh.org/misc/slides/ngx-openresty-ecosystem/，關于ngx_lua可以參考：https://github.com/chaoslawful/lua-nginx-module。
首先，需要在nginx的配置文件中定義日志格式：
- log_format tick "$msec^A$remote_addr^A$u_domain^A$u_url^A$u_title^A$u_referrer^A$u_sh^A$u_sw^A$u_cd^A$u_lang^A$http_user_agent^A$u_utrace^A$u_account";
注意這里以u_開頭的是我們待會會自己定義的變量，其它的是nginx內置變量。
然后是核心的兩個location：
- location /1.gif {
- #偽裝成gif文件
- default_type image/gif;
- #本身關閉access_log，通過subrequest記錄log
- access_log off;
- access_by_lua "
- -- 用戶跟蹤cookie名為__utrace
- local uid = ngx.var.cookie___utrace
- if not uid then
- -- 如果沒有則生成一個跟蹤cookie，算法為md5(時間戳+IP+客戶端信息)
- uid = ngx.md5(ngx.now() .. ngx.var.remote_addr .. ngx.var.http_user_agent)
- end
- ngx.header['Set-Cookie'] = {'__utrace=' .. uid .. '; path=/'}
- if ngx.var.arg_domain then
- -- 通過subrequest到/i-log記錄日志，將參數(shù)和用戶跟蹤cookie帶過去
- ngx.location.capture('/i-log?' .. ngx.var.args .. '&utrace=' .. uid)
- end
- ";
- #此請求不緩存
- add_header Expires "Fri, 01 Jan 1980 00:00:00 GMT";
- add_header Pragma "no-cache";
- add_header Cache-Control "no-cache, max-age=0, must-revalidate";
- #返回一個1×1的空gif圖片
- empty_gif;
- }
- location /i-log {
- #內部location，不允許外部直接訪問
- internal;
- #設置變量，注意需要unescape
- set_unescape_uri $u_domain $arg_domain;
- set_unescape_uri $u_url $arg_url;
- set_unescape_uri $u_title $arg_title;
- set_unescape_uri $u_referrer $arg_referrer;
- set_unescape_uri $u_sh $arg_sh;
- set_unescape_uri $u_sw $arg_sw;
- set_unescape_uri $u_cd $arg_cd;
- set_unescape_uri $u_lang $arg_lang;
- set_unescape_uri $u_utrace $arg_utrace;
- set_unescape_uri $u_account $arg_account;
- #打開日志
- log_subrequest on;
- #記錄日志到ma.log，實際應用中最好加buffer，格式為tick
- access_log /path/to/logs/directory/ma.log tick;
- #輸出空字符串
- echo '';
- }
要完全解釋這段腳本的每一個細節(jié)有點超出本文的范圍，而且用到了諸多第三方ngxin模塊（全都包含在OpenResty中了），重點的地方我都用注釋標出來了，可以不用完全理解每一行的意義，只要大約知道這個配置完成了我們在原理一節(jié)提到的后端邏輯就可以了。
日志輪轉
真正的日志收集系統(tǒng)訪問日志會非常多，時間一長文件變得很大，而且日志放在一個文件不便于管理。所以通常要按時間段將日志切分，例如每天或每小時切分一個日志。我這里為了效果明顯，每一小時切分一個日志。我是通過crontab定時調用一個shell腳本實現(xiàn)的，shell腳本如下：
- _prefix="/path/to/nginx"
- time=`date +%Y%m%d%H`
- mv ${_prefix}/logs/ma.log ${_prefix}/logs/ma/ma-${time}.log
- kill -USR1 `cat ${_prefix}/logs/nginx.pid`
這個腳本將ma.log移動到指定文件夾并重命名為ma-{yyyymmddhh}.log，然后向nginx發(fā)送USR1信號令其重新打開日志文件。
然后再/etc/crontab里加入一行：
- 59 * * * * root /path/to/directory/rotatelog.sh
在每個小時的59分啟動這個腳本進行日志輪轉操作。
#p#
測試
下面可以測試這個系統(tǒng)是否能正常運行了。我昨天就在我的博客中埋了相關的點，通過http抓包可以看到ma.js和1.gif已經(jīng)被正確請求：
圖6. http包分析ma.js和1.gif的請求
同時可以看一下1.gif的請求參數(shù)：
圖7. 1.gif的請求參數(shù)
相關信息確實也放在了請求參數(shù)中。
然后我tail打開日志文件，然后刷新一下頁面，因為沒有設access log buffer， 我立即得到了一條新日志：
- 1351060731.360^A0.0.0.0^Awww.codinglabs.org^Ahttp://www.codinglabs.org/^ACodingLabs^A^A1024^A1280^A24^Azh-CN^AMozilla/5.0 (Macintosh; Intel Mac OS X 10_8_2) AppleWebKit/537.4 (KHTML, like Gecko) Chrome/22.0.1229.94 Safari/537.4^A4d612be64366768d32e623d594e82678^AU-1-1
注意實際上原日志中的^A是不可見的，這里我用可見的^A替換為方便閱讀，另外IP由于涉及隱私我替換為了0.0.0.0。
看一眼日志輪轉目錄，由于我之前已經(jīng)埋了點，所以已經(jīng)生成了很多輪轉文件：
圖8. 輪轉日志
關于分析
通過上面的分析和開發(fā)可以大致理解一個網(wǎng)站統(tǒng)計的日志收集系統(tǒng)是如何工作的。有了這些日志，就可以進行后續(xù)的分析了。本文只注重日志收集，所以不會寫太多關于分析的東西。
注意，原始日志最好盡量多的保留信息而不要做過多過濾和處理。例如上面的MyAnalytics保留了毫秒級時間戳而不是格式化后的時間，時間的格式化是后面的系統(tǒng)做的事而不是日志收集系統(tǒng)的責任。后面的系統(tǒng)根據(jù)原始日志可以分析出很多東西，例如通過IP庫可以定位訪問者的地域、user agent中可以得到訪問者的操作系統(tǒng)、瀏覽器等信息，再結合復雜的分析模型，就可以做流量、來源、訪客、地域、路徑等分析了。當然，一般不會直接對原始日志分析，而是會將其清洗格式化后轉存到其它地方，如MySQL或HBase中再做分析。
分析部分的工作有很多開源的基礎設施可以使用，例如實時分析可以使用Storm，而離線分析可以使用Hadoop。當然，在日志比較小的情況下，也可以通過shell命令做一些簡單的分析，例如，下面三條命令可以分別得出我的博客在今天上午8點到9點的訪問量（PV），訪客數(shù)（UV）和獨立IP數(shù)（IP）：
- awk -F^A '{print $1}' ma-2012102409.log | wc -l
- awk -F^A '{print $12}' ma-2012102409.log | uniq | wc -l
- awk -F^A '{print $2}' ma-2012102409.log | uniq | wc -l
其它好玩的東西朋友們可以慢慢挖掘。
原文鏈接：http://www.codinglabs.org/html/how-web-analytics-data-collection-system-work.html
