ਸਾਈਟ ਦੇ ਅੰਕੜੇ ਅਤੇ ਤੁਹਾਡੀ ਆਪਣੀ ਛੋਟੀ ਸਟੋਰੇਜ

ਵੈਬਲਾਈਜ਼ਰ ਅਤੇ ਗੂਗਲ ਵਿਸ਼ਲੇਸ਼ਣ ਨੇ ਕਈ ਸਾਲਾਂ ਤੋਂ ਵੈਬਸਾਈਟਾਂ 'ਤੇ ਕੀ ਹੋ ਰਿਹਾ ਹੈ ਇਸ ਬਾਰੇ ਸਮਝ ਪ੍ਰਾਪਤ ਕਰਨ ਵਿੱਚ ਮੇਰੀ ਮਦਦ ਕੀਤੀ ਹੈ। ਹੁਣ ਮੈਂ ਸਮਝਦਾ ਹਾਂ ਕਿ ਉਹ ਬਹੁਤ ਘੱਟ ਉਪਯੋਗੀ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ. ਤੁਹਾਡੀ access.log ਫਾਈਲ ਤੱਕ ਪਹੁੰਚ ਹੋਣ ਨਾਲ, ਅੰਕੜਿਆਂ ਨੂੰ ਸਮਝਣਾ ਅਤੇ ਕਾਫ਼ੀ ਬੁਨਿਆਦੀ ਟੂਲ, ਜਿਵੇਂ ਕਿ sqlite, html, sql ਭਾਸ਼ਾ ਅਤੇ ਕਿਸੇ ਵੀ ਸਕ੍ਰਿਪਟਿੰਗ ਪ੍ਰੋਗਰਾਮਿੰਗ ਭਾਸ਼ਾ ਨੂੰ ਲਾਗੂ ਕਰਨਾ ਬਹੁਤ ਆਸਾਨ ਹੈ।

Webalizer ਲਈ ਡਾਟਾ ਸਰੋਤ ਸਰਵਰ ਦੀ access.log ਫਾਈਲ ਹੈ। ਇਸ ਦੀਆਂ ਬਾਰਾਂ ਅਤੇ ਸੰਖਿਆਵਾਂ ਇਸ ਤਰ੍ਹਾਂ ਦਿਖਾਈ ਦਿੰਦੀਆਂ ਹਨ, ਜਿਸ ਤੋਂ ਸਿਰਫ ਟ੍ਰੈਫਿਕ ਦੀ ਕੁੱਲ ਮਾਤਰਾ ਸਪੱਸ਼ਟ ਹੈ:

ਟੂਲ ਜਿਵੇਂ ਕਿ ਗੂਗਲ ਵਿਸ਼ਲੇਸ਼ਣ ਆਪਣੇ ਆਪ ਲੋਡ ਕੀਤੇ ਪੰਨੇ ਤੋਂ ਡੇਟਾ ਇਕੱਠਾ ਕਰਦੇ ਹਨ। ਉਹ ਸਾਨੂੰ ਕੁਝ ਚਿੱਤਰ ਅਤੇ ਲਾਈਨਾਂ ਦਿਖਾਉਂਦੇ ਹਨ, ਜਿਨ੍ਹਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਸਹੀ ਸਿੱਟੇ ਕੱਢਣੇ ਅਕਸਰ ਮੁਸ਼ਕਲ ਹੁੰਦੇ ਹਨ। ਸ਼ਾਇਦ ਹੋਰ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਸੀ? ਪਤਾ ਨਹੀਂ।

ਇਸ ਲਈ, ਮੈਂ ਵੈਬਸਾਈਟ ਵਿਜ਼ਟਰ ਅੰਕੜਿਆਂ ਵਿੱਚ ਕੀ ਦੇਖਣਾ ਚਾਹੁੰਦਾ ਸੀ?

ਉਪਭੋਗਤਾ ਅਤੇ ਬੋਟ ਟ੍ਰੈਫਿਕ

ਅਕਸਰ ਸਾਈਟ ਟ੍ਰੈਫਿਕ ਸੀਮਤ ਹੁੰਦਾ ਹੈ ਅਤੇ ਇਹ ਦੇਖਣਾ ਜ਼ਰੂਰੀ ਹੁੰਦਾ ਹੈ ਕਿ ਕਿੰਨਾ ਉਪਯੋਗੀ ਟ੍ਰੈਫਿਕ ਵਰਤਿਆ ਜਾ ਰਿਹਾ ਹੈ. ਉਦਾਹਰਨ ਲਈ, ਇਸ ਤਰ੍ਹਾਂ:

SQL ਰਿਪੋਰਟ ਪੁੱਛਗਿੱਛ

SELECT
1 as 'StackedArea: Traffic generated by Users and Bots',
strftime('%d.%m', datetime(FCT.EVENT_DT, 'unixepoch')) AS 'Day',
SUM(CASE WHEN USG.AGENT_BOT!='n.a.' THEN FCT.BYTES ELSE 0 END)/1000 AS 'Bots, KB',
SUM(CASE WHEN USG.AGENT_BOT='n.a.' THEN FCT.BYTES ELSE 0 END)/1000 AS 'Users, KB'
FROM
  FCT_ACCESS_USER_AGENT_DD FCT,
  DIM_USER_AGENT USG
WHERE FCT.DIM_USER_AGENT_ID=USG.DIM_USER_AGENT_ID
  AND datetime(FCT.EVENT_DT, 'unixepoch') >= date('now', '-14 day')
GROUP BY strftime('%d.%m', datetime(FCT.EVENT_DT, 'unixepoch'))
ORDER BY FCT.EVENT_DT

ਗ੍ਰਾਫ ਬੋਟਾਂ ਦੀ ਨਿਰੰਤਰ ਗਤੀਵਿਧੀ ਦਿਖਾਉਂਦਾ ਹੈ। ਸਭ ਤੋਂ ਵੱਧ ਸਰਗਰਮ ਨੁਮਾਇੰਦਿਆਂ ਦਾ ਵਿਸਥਾਰ ਨਾਲ ਅਧਿਐਨ ਕਰਨਾ ਦਿਲਚਸਪ ਹੋਵੇਗਾ.

ਤੰਗ ਕਰਨ ਵਾਲੇ ਬੋਟ

ਅਸੀਂ ਉਪਭੋਗਤਾ ਏਜੰਟ ਦੀ ਜਾਣਕਾਰੀ ਦੇ ਆਧਾਰ 'ਤੇ ਬੋਟਾਂ ਦਾ ਵਰਗੀਕਰਨ ਕਰਦੇ ਹਾਂ। ਰੋਜ਼ਾਨਾ ਟ੍ਰੈਫਿਕ 'ਤੇ ਵਾਧੂ ਅੰਕੜੇ, ਸਫਲ ਅਤੇ ਅਸਫਲ ਬੇਨਤੀਆਂ ਦੀ ਗਿਣਤੀ ਬੋਟ ਗਤੀਵਿਧੀ ਦਾ ਇੱਕ ਚੰਗਾ ਵਿਚਾਰ ਦਿੰਦੇ ਹਨ।

SQL ਰਿਪੋਰਟ ਪੁੱਛਗਿੱਛ

SELECT 
1 AS 'Table: Annoying Bots',
MAX(USG.AGENT_BOT) AS 'Bot',
ROUND(SUM(FCT.BYTES)/1000 / 14.0, 1) AS 'KB per Day',
ROUND(SUM(FCT.IP_CNT) / 14.0, 1) AS 'IPs per Day',
ROUND(SUM(CASE WHEN STS.STATUS_GROUP IN ('Client Error', 'Server Error') THEN FCT.REQUEST_CNT / 14.0 ELSE 0 END), 1) AS 'Error Requests per Day',
ROUND(SUM(CASE WHEN STS.STATUS_GROUP IN ('Successful', 'Redirection') THEN FCT.REQUEST_CNT / 14.0 ELSE 0 END), 1) AS 'Success Requests per Day',
USG.USER_AGENT_NK AS 'Agent'
FROM FCT_ACCESS_USER_AGENT_DD FCT,
     DIM_USER_AGENT USG,
     DIM_HTTP_STATUS STS
WHERE FCT.DIM_USER_AGENT_ID = USG.DIM_USER_AGENT_ID
  AND FCT.DIM_HTTP_STATUS_ID = STS.DIM_HTTP_STATUS_ID
  AND USG.AGENT_BOT != 'n.a.'
  AND datetime(FCT.EVENT_DT, 'unixepoch') >= date('now', '-14 day')
GROUP BY USG.USER_AGENT_NK
ORDER BY 3 DESC
LIMIT 10

ਇਸ ਕੇਸ ਵਿੱਚ, ਵਿਸ਼ਲੇਸ਼ਣ ਦਾ ਨਤੀਜਾ ਸਾਈਟ ਨੂੰ robots.txt ਫਾਈਲ ਵਿੱਚ ਜੋੜ ਕੇ ਇਸ ਤੱਕ ਪਹੁੰਚ ਨੂੰ ਸੀਮਤ ਕਰਨ ਦਾ ਫੈਸਲਾ ਸੀ

User-agent: AhrefsBot
Disallow: /
User-agent: dotbot
Disallow: /
User-agent: bingbot
Crawl-delay: 5
ਪਹਿਲੇ ਦੋ ਬੋਟ ਟੇਬਲ ਤੋਂ ਗਾਇਬ ਹੋ ਗਏ, ਅਤੇ ਐਮਐਸ ਰੋਬੋਟ ਪਹਿਲੀ ਲਾਈਨਾਂ ਤੋਂ ਹੇਠਾਂ ਚਲੇ ਗਏ।

ਸਭ ਤੋਂ ਵੱਡੀ ਗਤੀਵਿਧੀ ਦਾ ਦਿਨ ਅਤੇ ਸਮਾਂ

ਟ੍ਰੈਫਿਕ ਵਿੱਚ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ ਦਿਖਾਈ ਦੇ ਰਹੇ ਹਨ। ਉਹਨਾਂ ਦਾ ਵਿਸਥਾਰ ਵਿੱਚ ਅਧਿਐਨ ਕਰਨ ਲਈ, ਉਹਨਾਂ ਦੇ ਵਾਪਰਨ ਦੇ ਸਮੇਂ ਨੂੰ ਉਜਾਗਰ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ, ਅਤੇ ਸਮੇਂ ਦੇ ਮਾਪ ਦੇ ਸਾਰੇ ਘੰਟਿਆਂ ਅਤੇ ਦਿਨਾਂ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਨਾ ਜ਼ਰੂਰੀ ਨਹੀਂ ਹੈ। ਇਹ ਲੌਗ ਫਾਈਲ ਵਿੱਚ ਵਿਅਕਤੀਗਤ ਬੇਨਤੀਆਂ ਨੂੰ ਲੱਭਣਾ ਆਸਾਨ ਬਣਾ ਦੇਵੇਗਾ ਜੇਕਰ ਵਿਸਤ੍ਰਿਤ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਲੋੜ ਹੈ।

SQL ਰਿਪੋਰਟ ਪੁੱਛਗਿੱਛ

SELECT
1 AS 'Line: Day and Hour of Hits from Users and Bots',
strftime('%d.%m-%H', datetime(EVENT_DT, 'unixepoch')) AS 'Date Time',
HIB AS 'Bots, Hits',
HIU AS 'Users, Hits'
FROM (
	SELECT
	EVENT_DT,
	SUM(CASE WHEN AGENT_BOT!='n.a.' THEN LINE_CNT ELSE 0 END) AS HIB,
	SUM(CASE WHEN AGENT_BOT='n.a.' THEN LINE_CNT ELSE 0 END) AS HIU
	FROM FCT_ACCESS_REQUEST_REF_HH
	WHERE datetime(EVENT_DT, 'unixepoch') >= date('now', '-14 day')
	GROUP BY EVENT_DT
	ORDER BY SUM(LINE_CNT) DESC
	LIMIT 10
) ORDER BY EVENT_DT

ਅਸੀਂ ਚਾਰਟ 'ਤੇ ਪਹਿਲੇ ਦਿਨ ਦੇ ਸਭ ਤੋਂ ਵੱਧ ਸਰਗਰਮ ਘੰਟੇ 11, 14 ਅਤੇ 20 ਨੂੰ ਦੇਖਦੇ ਹਾਂ। ਪਰ ਅਗਲੇ ਦਿਨ 13:XNUMX ਵਜੇ ਬੋਟ ਸਰਗਰਮ ਸਨ.

ਹਫ਼ਤੇ ਦੁਆਰਾ ਔਸਤ ਰੋਜ਼ਾਨਾ ਉਪਭੋਗਤਾ ਗਤੀਵਿਧੀ

ਅਸੀਂ ਗਤੀਵਿਧੀ ਅਤੇ ਟ੍ਰੈਫਿਕ ਦੇ ਨਾਲ ਚੀਜ਼ਾਂ ਨੂੰ ਥੋੜਾ ਜਿਹਾ ਕ੍ਰਮਬੱਧ ਕੀਤਾ. ਅਗਲਾ ਸਵਾਲ ਖੁਦ ਉਪਭੋਗਤਾਵਾਂ ਦੀ ਗਤੀਵਿਧੀ ਸੀ. ਅਜਿਹੇ ਅੰਕੜਿਆਂ ਲਈ, ਇੱਕ ਹਫ਼ਤਾ ਵਰਗੀਆਂ ਲੰਮੀ ਇਕੱਤਰਤਾ ਮਿਆਦਾਂ ਫਾਇਦੇਮੰਦ ਹਨ।

SQL ਰਿਪੋਰਟ ਪੁੱਛਗਿੱਛ

SELECT
1 as 'Line: Average Daily User Activity by Week',
strftime('%W week', datetime(FCT.EVENT_DT, 'unixepoch')) AS 'Week',
ROUND(1.0*SUM(FCT.PAGE_CNT)/SUM(FCT.IP_CNT),1) AS 'Pages per IP per Day',
ROUND(1.0*SUM(FCT.FILE_CNT)/SUM(FCT.IP_CNT),1) AS 'Files per IP per Day'
FROM
  FCT_ACCESS_USER_AGENT_DD FCT,
  DIM_USER_AGENT USG,
  DIM_HTTP_STATUS HST
WHERE FCT.DIM_USER_AGENT_ID=USG.DIM_USER_AGENT_ID
  AND FCT.DIM_HTTP_STATUS_ID = HST.DIM_HTTP_STATUS_ID
  AND USG.AGENT_BOT='n.a.' /* users only */
  AND HST.STATUS_GROUP IN ('Successful') /* good pages */
  AND datetime(FCT.EVENT_DT, 'unixepoch') > date('now', '-3 month')
GROUP BY strftime('%W week', datetime(FCT.EVENT_DT, 'unixepoch'))
ORDER BY FCT.EVENT_DT

ਹਫਤਾਵਾਰੀ ਅੰਕੜੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਔਸਤਨ ਇੱਕ ਉਪਭੋਗਤਾ ਪ੍ਰਤੀ ਦਿਨ 1,6 ਪੰਨੇ ਖੋਲ੍ਹਦਾ ਹੈ। ਇਸ ਕੇਸ ਵਿੱਚ ਪ੍ਰਤੀ ਉਪਭੋਗਤਾ ਬੇਨਤੀ ਕੀਤੀਆਂ ਫਾਈਲਾਂ ਦੀ ਗਿਣਤੀ ਸਾਈਟ ਵਿੱਚ ਨਵੀਆਂ ਫਾਈਲਾਂ ਦੇ ਜੋੜ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ।

ਸਾਰੀਆਂ ਬੇਨਤੀਆਂ ਅਤੇ ਉਹਨਾਂ ਦੀਆਂ ਸਥਿਤੀਆਂ

Webalizer ਹਮੇਸ਼ਾ ਖਾਸ ਪੇਜ ਕੋਡ ਦਿਖਾਉਂਦੇ ਹਨ ਅਤੇ ਮੈਂ ਹਮੇਸ਼ਾ ਸਫਲ ਬੇਨਤੀਆਂ ਅਤੇ ਗਲਤੀਆਂ ਦੀ ਗਿਣਤੀ ਦੇਖਣਾ ਚਾਹੁੰਦਾ ਸੀ।

SQL ਰਿਪੋਰਟ ਪੁੱਛਗਿੱਛ

SELECT
1 as 'Line: All Requests by Status',
strftime('%d.%m', datetime(FCT.EVENT_DT, 'unixepoch')) AS 'Day',
SUM(CASE WHEN STS.STATUS_GROUP='Successful' THEN FCT.REQUEST_CNT ELSE 0 END) AS 'Success',
SUM(CASE WHEN STS.STATUS_GROUP='Redirection' THEN FCT.REQUEST_CNT ELSE 0 END) AS 'Redirect',
SUM(CASE WHEN STS.STATUS_GROUP='Client Error' THEN FCT.REQUEST_CNT ELSE 0 END) AS 'Customer Error',
SUM(CASE WHEN STS.STATUS_GROUP='Server Error' THEN FCT.REQUEST_CNT ELSE 0 END) AS 'Server Error'
FROM
  FCT_ACCESS_USER_AGENT_DD FCT,
  DIM_HTTP_STATUS STS
WHERE FCT.DIM_HTTP_STATUS_ID=STS.DIM_HTTP_STATUS_ID
  AND datetime(FCT.EVENT_DT, 'unixepoch') >= date('now', '-14 day')
GROUP BY strftime('%d.%m', datetime(FCT.EVENT_DT, 'unixepoch'))
ORDER BY FCT.EVENT_DT

ਰਿਪੋਰਟ ਬੇਨਤੀਆਂ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦੀ ਹੈ, ਨਾ ਕਿ ਕਲਿੱਕ (ਹਿੱਟ), LINE_CNT ਦੇ ਉਲਟ, REQUEST_CNT ਮੈਟ੍ਰਿਕ ਦੀ ਗਣਨਾ COUNT(DISTINCT STG.REQUEST_NK) ਵਜੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਟੀਚਾ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਇਵੈਂਟਾਂ ਨੂੰ ਦਿਖਾਉਣਾ ਹੈ, ਉਦਾਹਰਨ ਲਈ, MS ਬੋਟਸ ਇੱਕ ਦਿਨ ਵਿੱਚ ਸੈਂਕੜੇ ਵਾਰ robots.txt ਫਾਈਲ ਨੂੰ ਪੋਲ ਕਰਦੇ ਹਨ ਅਤੇ, ਇਸ ਸਥਿਤੀ ਵਿੱਚ, ਅਜਿਹੇ ਪੋਲ ਇੱਕ ਵਾਰ ਗਿਣੇ ਜਾਣਗੇ। ਇਹ ਤੁਹਾਨੂੰ ਗ੍ਰਾਫ ਵਿੱਚ ਜੰਪ ਨੂੰ ਸੁਚਾਰੂ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ।

ਗ੍ਰਾਫ ਤੋਂ ਤੁਸੀਂ ਬਹੁਤ ਸਾਰੀਆਂ ਗਲਤੀਆਂ ਦੇਖ ਸਕਦੇ ਹੋ - ਇਹ ਗੈਰ-ਮੌਜੂਦ ਪੰਨੇ ਹਨ। ਵਿਸ਼ਲੇਸ਼ਣ ਦਾ ਨਤੀਜਾ ਰਿਮੋਟ ਪੰਨਿਆਂ ਤੋਂ ਰੀਡਾਇਰੈਕਟਸ ਦਾ ਜੋੜ ਸੀ.

ਮਾੜੀਆਂ ਬੇਨਤੀਆਂ

ਬੇਨਤੀਆਂ ਦੀ ਵਿਸਥਾਰ ਨਾਲ ਜਾਂਚ ਕਰਨ ਲਈ, ਤੁਸੀਂ ਵਿਸਤ੍ਰਿਤ ਅੰਕੜੇ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰ ਸਕਦੇ ਹੋ।

SQL ਰਿਪੋਰਟ ਪੁੱਛਗਿੱਛ

SELECT
  1 AS 'Table: Top Error Requests',
  REQ.REQUEST_NK AS 'Request',
  'Error' AS 'Request Status',
  ROUND(SUM(FCT.LINE_CNT) / 14.0, 1) AS 'Hits per Day',
  ROUND(SUM(FCT.IP_CNT) / 14.0, 1) AS 'IPs per Day',
  ROUND(SUM(FCT.BYTES)/1000 / 14.0, 1) AS 'KB per Day'
FROM
  FCT_ACCESS_REQUEST_REF_HH FCT,
  DIM_REQUEST_V_ACT REQ
WHERE FCT.DIM_REQUEST_ID = REQ.DIM_REQUEST_ID
  AND FCT.STATUS_GROUP IN ('Client Error', 'Server Error')
  AND datetime(FCT.EVENT_DT, 'unixepoch') >= date('now', '-14 day')
GROUP BY REQ.REQUEST_NK
ORDER BY 4 DESC
LIMIT 20

ਇਸ ਸੂਚੀ ਵਿੱਚ ਸਾਰੀਆਂ ਕਾਲਾਂ ਵੀ ਸ਼ਾਮਲ ਹੋਣਗੀਆਂ, ਉਦਾਹਰਨ ਲਈ, /wp-login.php ਨੂੰ ਇੱਕ ਬੇਨਤੀ ਸਰਵਰ ਦੁਆਰਾ ਬੇਨਤੀਆਂ ਨੂੰ ਮੁੜ ਲਿਖਣ ਲਈ ਨਿਯਮਾਂ ਨੂੰ ਵਿਵਸਥਿਤ ਕਰਕੇ, ਤੁਸੀਂ ਅਜਿਹੀਆਂ ਬੇਨਤੀਆਂ ਲਈ ਸਰਵਰ ਦੀ ਪ੍ਰਤੀਕ੍ਰਿਆ ਨੂੰ ਵਿਵਸਥਿਤ ਕਰ ਸਕਦੇ ਹੋ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਸ਼ੁਰੂਆਤੀ ਪੰਨੇ 'ਤੇ ਭੇਜ ਸਕਦੇ ਹੋ।

ਇਸ ਲਈ, ਸਰਵਰ ਲੌਗ ਫਾਈਲ ਦੇ ਅਧਾਰ ਤੇ ਕੁਝ ਸਧਾਰਨ ਰਿਪੋਰਟਾਂ ਸਾਈਟ 'ਤੇ ਕੀ ਹੋ ਰਿਹਾ ਹੈ ਦੀ ਇੱਕ ਪੂਰੀ ਤਸਵੀਰ ਦਿੰਦੀਆਂ ਹਨ.

ਜਾਣਕਾਰੀ ਕਿਵੇਂ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾਵੇ?

ਇੱਕ sqlite ਡਾਟਾਬੇਸ ਕਾਫੀ ਹੈ। ਆਓ ਟੇਬਲ ਬਣਾਈਏ: ETL ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਲੌਗ ਕਰਨ ਲਈ ਸਹਾਇਕ।

ਟੇਬਲ ਪੜਾਅ ਜਿੱਥੇ ਅਸੀਂ PHP ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਲੌਗ ਫਾਈਲਾਂ ਲਿਖਾਂਗੇ। ਦੋ ਕੁੱਲ ਟੇਬਲ। ਆਉ ਉਪਭੋਗਤਾ ਏਜੰਟਾਂ ਅਤੇ ਬੇਨਤੀ ਸਥਿਤੀਆਂ ਦੇ ਅੰਕੜਿਆਂ ਦੇ ਨਾਲ ਇੱਕ ਰੋਜ਼ਾਨਾ ਸਾਰਣੀ ਬਣਾਈਏ। ਬੇਨਤੀਆਂ, ਸਥਿਤੀ ਸਮੂਹਾਂ ਅਤੇ ਏਜੰਟਾਂ ਦੇ ਅੰਕੜਿਆਂ ਦੇ ਨਾਲ ਘੰਟਾਵਾਰ। ਸੰਬੰਧਿਤ ਮਾਪਾਂ ਦੀਆਂ ਚਾਰ ਸਾਰਣੀਆਂ।

ਨਤੀਜਾ ਹੇਠਾਂ ਦਿੱਤਾ ਰਿਲੇਸ਼ਨਲ ਮਾਡਲ ਹੈ:

ਡਾਟਾ ਮਾਡਲ

sqlite ਡੇਟਾਬੇਸ ਵਿੱਚ ਇੱਕ ਵਸਤੂ ਬਣਾਉਣ ਲਈ ਸਕ੍ਰਿਪਟ:

DDL ਵਸਤੂ ਰਚਨਾ

DROP TABLE IF EXISTS DIM_USER_AGENT;
CREATE TABLE DIM_USER_AGENT (
  DIM_USER_AGENT_ID INTEGER NOT NULL PRIMARY KEY AUTOINCREMENT,
  USER_AGENT_NK     TEXT NOT NULL DEFAULT 'n.a.',
  AGENT_OS          TEXT NOT NULL DEFAULT 'n.a.',
  AGENT_ENGINE      TEXT NOT NULL DEFAULT 'n.a.',
  AGENT_DEVICE      TEXT NOT NULL DEFAULT 'n.a.',
  AGENT_BOT         TEXT NOT NULL DEFAULT 'n.a.',
  UPDATE_DT         INTEGER NOT NULL DEFAULT 0,
  UNIQUE (USER_AGENT_NK)
);
INSERT INTO DIM_USER_AGENT (DIM_USER_AGENT_ID) VALUES (-1);

ਸਟੇਜ

access.log ਫਾਈਲ ਦੇ ਮਾਮਲੇ ਵਿੱਚ, ਡੇਟਾਬੇਸ ਵਿੱਚ ਸਾਰੀਆਂ ਬੇਨਤੀਆਂ ਨੂੰ ਪੜ੍ਹਨਾ, ਪਾਰਸ ਕਰਨਾ ਅਤੇ ਲਿਖਣਾ ਜ਼ਰੂਰੀ ਹੈ। ਇਹ ਜਾਂ ਤਾਂ ਸਿੱਧੇ ਸਕ੍ਰਿਪਟਿੰਗ ਭਾਸ਼ਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਜਾਂ sqlite ਟੂਲਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਲੌਗ ਫਾਈਲ ਫਾਰਮੈਟ:

//67.221.59.195 - - [28/Dec/2012:01:47:47 +0100] "GET /files/default.css HTTP/1.1" 200 1512 "https://project.edu/" "Mozilla/4.0"
//host ident auth time method request_nk protocol status bytes ref browser
$log_pattern = '/^([^ ]+) ([^ ]+) ([^ ]+) ([[^]]+]) "(.*) (.*) (.*)" ([0-9-]+) ([0-9-]+) "(.*)" "(.*)"$/';

ਮੁੱਖ ਪ੍ਰਸਾਰ

ਜਦੋਂ ਕੱਚਾ ਡੇਟਾ ਡੇਟਾਬੇਸ ਵਿੱਚ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਤੁਹਾਨੂੰ ਉਹ ਕੁੰਜੀਆਂ ਲਿਖਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜੋ ਮਾਪ ਟੇਬਲ ਵਿੱਚ ਨਹੀਂ ਹਨ। ਫਿਰ ਮਾਪਾਂ ਦਾ ਹਵਾਲਾ ਬਣਾਉਣਾ ਸੰਭਵ ਹੋਵੇਗਾ. ਉਦਾਹਰਨ ਲਈ, DIM_REFERRER ਸਾਰਣੀ ਵਿੱਚ, ਕੁੰਜੀ ਤਿੰਨ ਖੇਤਰਾਂ ਦਾ ਸੁਮੇਲ ਹੈ।

SQL ਕੁੰਜੀ ਪ੍ਰਸਾਰ ਪੁੱਛਗਿੱਛ

/* Propagate the referrer from access log */
INSERT INTO DIM_REFERRER (HOST_NK, PATH_NK, QUERY_NK, UPDATE_DT)
SELECT
	CLS.HOST_NK,
	CLS.PATH_NK,
	CLS.QUERY_NK,
	STRFTIME('%s','now') AS UPDATE_DT
FROM (
	SELECT DISTINCT
	REFERRER_HOST AS HOST_NK,
	REFERRER_PATH AS PATH_NK,
	CASE WHEN INSTR(REFERRER_QUERY,'&sid')>0 THEN SUBSTR(REFERRER_QUERY, 1, INSTR(REFERRER_QUERY,'&sid')-1) /* отрезаем sid - специфика цмс */
	ELSE REFERRER_QUERY END AS QUERY_NK
	FROM STG_ACCESS_LOG
) CLS
LEFT OUTER JOIN DIM_REFERRER TRG
ON (CLS.HOST_NK = TRG.HOST_NK AND CLS.PATH_NK = TRG.PATH_NK AND CLS.QUERY_NK = TRG.QUERY_NK)
WHERE TRG.DIM_REFERRER_ID IS NULL

ਉਪਭੋਗਤਾ ਏਜੰਟ ਸਾਰਣੀ ਵਿੱਚ ਪ੍ਰਸਾਰਣ ਵਿੱਚ ਬੋਟ ਤਰਕ ਸ਼ਾਮਲ ਹੋ ਸਕਦਾ ਹੈ, ਉਦਾਹਰਨ ਲਈ sql ਸਨਿੱਪਟ:

CASE
WHEN INSTR(LOWER(CLS.BROWSER),'yandex.com')>0
	THEN 'yandex'
WHEN INSTR(LOWER(CLS.BROWSER),'googlebot')>0
	THEN 'google'
WHEN INSTR(LOWER(CLS.BROWSER),'bingbot')>0
	THEN 'microsoft'
WHEN INSTR(LOWER(CLS.BROWSER),'ahrefsbot')>0
	THEN 'ahrefs'
WHEN INSTR(LOWER(CLS.BROWSER),'mj12bot')>0
	THEN 'majestic-12'
WHEN INSTR(LOWER(CLS.BROWSER),'compatible')>0 OR INSTR(LOWER(CLS.BROWSER),'http')>0
	OR INSTR(LOWER(CLS.BROWSER),'libwww')>0 OR INSTR(LOWER(CLS.BROWSER),'spider')>0
	OR INSTR(LOWER(CLS.BROWSER),'java')>0 OR INSTR(LOWER(CLS.BROWSER),'python')>0
	OR INSTR(LOWER(CLS.BROWSER),'robot')>0 OR INSTR(LOWER(CLS.BROWSER),'curl')>0
	OR INSTR(LOWER(CLS.BROWSER),'wget')>0
	THEN 'other'
ELSE 'n.a.' END AS AGENT_BOT

ਕੁੱਲ ਸਾਰਣੀਆਂ

ਅੰਤ ਵਿੱਚ, ਅਸੀਂ ਕੁੱਲ ਟੇਬਲ ਨੂੰ ਲੋਡ ਕਰਾਂਗੇ; ਉਦਾਹਰਨ ਲਈ, ਰੋਜ਼ਾਨਾ ਸਾਰਣੀ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਲੋਡ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ:

ਕੁੱਲ ਲੋਡ ਕਰਨ ਲਈ SQL ਪੁੱਛਗਿੱਛ

/* Load fact from access log */
INSERT INTO FCT_ACCESS_USER_AGENT_DD (EVENT_DT, DIM_USER_AGENT_ID, DIM_HTTP_STATUS_ID, PAGE_CNT, FILE_CNT, REQUEST_CNT, LINE_CNT, IP_CNT, BYTES)
WITH STG AS (
SELECT
	STRFTIME( '%s', SUBSTR(TIME_NK,9,4) || '-' ||
	CASE SUBSTR(TIME_NK,5,3)
	WHEN 'Jan' THEN '01' WHEN 'Feb' THEN '02' WHEN 'Mar' THEN '03' WHEN 'Apr' THEN '04' WHEN 'May' THEN '05' WHEN 'Jun' THEN '06'
	WHEN 'Jul' THEN '07' WHEN 'Aug' THEN '08' WHEN 'Sep' THEN '09' WHEN 'Oct' THEN '10' WHEN 'Nov' THEN '11'
	ELSE '12' END || '-' || SUBSTR(TIME_NK,2,2) || ' 00:00:00' ) AS EVENT_DT,
	BROWSER AS USER_AGENT_NK,
	REQUEST_NK,
	IP_NR,
	STATUS,
	LINE_NK,
	BYTES
FROM STG_ACCESS_LOG
)
SELECT
	CAST(STG.EVENT_DT AS INTEGER) AS EVENT_DT,
	USG.DIM_USER_AGENT_ID,
	HST.DIM_HTTP_STATUS_ID,
	COUNT(DISTINCT (CASE WHEN INSTR(STG.REQUEST_NK,'.')=0 THEN STG.REQUEST_NK END) ) AS PAGE_CNT,
	COUNT(DISTINCT (CASE WHEN INSTR(STG.REQUEST_NK,'.')>0 THEN STG.REQUEST_NK END) ) AS FILE_CNT,
	COUNT(DISTINCT STG.REQUEST_NK) AS REQUEST_CNT,
	COUNT(DISTINCT STG.LINE_NK) AS LINE_CNT,
	COUNT(DISTINCT STG.IP_NR) AS IP_CNT,
	SUM(BYTES) AS BYTES
FROM STG,
	DIM_HTTP_STATUS HST,
	DIM_USER_AGENT USG
WHERE STG.STATUS = HST.STATUS_NK
  AND STG.USER_AGENT_NK = USG.USER_AGENT_NK
  AND CAST(STG.EVENT_DT AS INTEGER) > $param_epoch_from /* load epoch date */
  AND CAST(STG.EVENT_DT AS INTEGER) < strftime('%s', date('now', 'start of day'))
GROUP BY STG.EVENT_DT, HST.DIM_HTTP_STATUS_ID, USG.DIM_USER_AGENT_ID

sqlite ਡੇਟਾਬੇਸ ਤੁਹਾਨੂੰ ਗੁੰਝਲਦਾਰ ਸਵਾਲਾਂ ਨੂੰ ਲਿਖਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। WITH ਵਿੱਚ ਡੇਟਾ ਅਤੇ ਕੁੰਜੀਆਂ ਦੀ ਤਿਆਰੀ ਸ਼ਾਮਲ ਹੈ। ਮੁੱਖ ਪੁੱਛਗਿੱਛ ਮਾਪਾਂ ਦੇ ਸਾਰੇ ਸੰਦਰਭਾਂ ਨੂੰ ਇਕੱਠਾ ਕਰਦੀ ਹੈ।

ਸ਼ਰਤ ਇਤਿਹਾਸ ਨੂੰ ਦੁਬਾਰਾ ਲੋਡ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਨਹੀਂ ਦੇਵੇਗੀ: CAST(STG.EVENT_DT AS INTEGER) > $param_epoch_from, ਜਿੱਥੇ ਪੈਰਾਮੀਟਰ ਬੇਨਤੀ ਦਾ ਨਤੀਜਾ ਹੈ
'FCT_ACCESS_USER_AGENT_DD ਤੋਂ COALESCE(MAX(EVENT_DT), '3600') LAST_EVENT_EPOCH ਚੁਣੋ'

ਸ਼ਰਤ ਸਿਰਫ਼ ਪੂਰੇ ਦਿਨ ਲਈ ਲੋਡ ਹੋਵੇਗੀ: CAST(STG.EVENT_DT AS INTEGEER) < strftime('%s', ਮਿਤੀ ('ਹੁਣ', 'ਦਿਨ ਦੀ ਸ਼ੁਰੂਆਤ'))

ਪੰਨਿਆਂ ਜਾਂ ਫਾਈਲਾਂ ਦੀ ਗਿਣਤੀ ਇੱਕ ਬਿੰਦੂ ਦੀ ਖੋਜ ਕਰਕੇ, ਇੱਕ ਮੁੱਢਲੇ ਤਰੀਕੇ ਨਾਲ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

ਰਿਪੋਰਟ

ਗੁੰਝਲਦਾਰ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ, ਡੇਟਾਬੇਸ ਵਸਤੂਆਂ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਮੈਟਾ-ਮਾਡਲ ਬਣਾਉਣਾ, ਫਿਲਟਰਾਂ ਅਤੇ ਏਕੀਕਰਣ ਨਿਯਮਾਂ ਨੂੰ ਗਤੀਸ਼ੀਲ ਰੂਪ ਵਿੱਚ ਪ੍ਰਬੰਧਿਤ ਕਰਨਾ ਸੰਭਵ ਹੈ। ਆਖਰਕਾਰ, ਸਾਰੇ ਵਧੀਆ ਟੂਲ ਇੱਕ SQL ਪੁੱਛਗਿੱਛ ਤਿਆਰ ਕਰਦੇ ਹਨ.

ਇਸ ਉਦਾਹਰਨ ਵਿੱਚ, ਅਸੀਂ ਤਿਆਰ ਕੀਤੇ SQL ਸਵਾਲਾਂ ਨੂੰ ਬਣਾਵਾਂਗੇ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਡੇਟਾਬੇਸ ਵਿੱਚ ਵਿਯੂਜ਼ ਦੇ ਰੂਪ ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਕਰਾਂਗੇ - ਇਹ ਰਿਪੋਰਟਾਂ ਹਨ।

ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ

Bluff: JavaScript ਵਿੱਚ ਸੁੰਦਰ ਗ੍ਰਾਫਾਂ ਨੂੰ ਇੱਕ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਟੂਲ ਵਜੋਂ ਵਰਤਿਆ ਗਿਆ ਸੀ

ਅਜਿਹਾ ਕਰਨ ਲਈ, PHP ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਾਰੀਆਂ ਰਿਪੋਰਟਾਂ ਨੂੰ ਵੇਖਣਾ ਅਤੇ ਟੇਬਲਾਂ ਦੇ ਨਾਲ ਇੱਕ html ਫਾਈਲ ਤਿਆਰ ਕਰਨਾ ਜ਼ਰੂਰੀ ਸੀ.

$sqls = array(
'SELECT * FROM RPT_ACCESS_USER_VS_BOT',
'SELECT * FROM RPT_ACCESS_ANNOYING_BOT',
'SELECT * FROM RPT_ACCESS_TOP_HOUR_HIT',
'SELECT * FROM RPT_ACCESS_USER_ACTIVE',
'SELECT * FROM RPT_ACCESS_REQUEST_STATUS',
'SELECT * FROM RPT_ACCESS_TOP_REQUEST_PAGE',
'SELECT * FROM RPT_ACCESS_TOP_REQUEST_REFERRER',
'SELECT * FROM RPT_ACCESS_NEW_REQUEST',
'SELECT * FROM RPT_ACCESS_TOP_REQUEST_SUCCESS',
'SELECT * FROM RPT_ACCESS_TOP_REQUEST_ERROR'
);

ਟੂਲ ਸਿਰਫ਼ ਨਤੀਜਿਆਂ ਦੀਆਂ ਸਾਰਣੀਆਂ ਦੀ ਕਲਪਨਾ ਕਰਦਾ ਹੈ।

ਸਿੱਟਾ

ਇੱਕ ਉਦਾਹਰਣ ਵਜੋਂ ਵੈਬ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਲੇਖ ਡੇਟਾ ਵੇਅਰਹਾਊਸ ਬਣਾਉਣ ਲਈ ਜ਼ਰੂਰੀ ਵਿਧੀਆਂ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ। ਜਿਵੇਂ ਕਿ ਨਤੀਜਿਆਂ ਤੋਂ ਦੇਖਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਡੇਟਾ ਦੇ ਡੂੰਘੇ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਲਈ ਸਰਲ ਟੂਲ ਕਾਫੀ ਹਨ।

ਭਵਿੱਖ ਵਿੱਚ, ਇੱਕ ਉਦਾਹਰਨ ਦੇ ਤੌਰ 'ਤੇ ਇਸ ਭੰਡਾਰ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਅਸੀਂ ਹੌਲੀ-ਹੌਲੀ ਬਦਲ ਰਹੇ ਮਾਪ, ਮੈਟਾਡੇਟਾ, ਏਕੀਕਰਣ ਪੱਧਰ ਅਤੇ ਵੱਖ-ਵੱਖ ਸਰੋਤਾਂ ਤੋਂ ਡੇਟਾ ਦੇ ਏਕੀਕਰਣ ਵਰਗੀਆਂ ਬਣਤਰਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਾਂਗੇ।

ਨਾਲ ਹੀ, ਆਓ ਇੱਕ ਸਿੰਗਲ ਟੇਬਲ ਦੇ ਅਧਾਰ ਤੇ ਈਟੀਐਲ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੇ ਪ੍ਰਬੰਧਨ ਲਈ ਸਰਲ ਟੂਲ 'ਤੇ ਇੱਕ ਡੂੰਘਾਈ ਨਾਲ ਵਿਚਾਰ ਕਰੀਏ.

ਆਉ ਡਾਟਾ ਗੁਣਵੱਤਾ ਨੂੰ ਮਾਪਣ ਅਤੇ ਇਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਆਟੋਮੈਟਿਕ ਕਰਨ ਦੇ ਵਿਸ਼ੇ 'ਤੇ ਵਾਪਸ ਆਉਂਦੇ ਹਾਂ।

ਅਸੀਂ ਤਕਨੀਕੀ ਵਾਤਾਵਰਣ ਅਤੇ ਡਾਟਾ ਸਟੋਰੇਜ ਦੇ ਰੱਖ-ਰਖਾਅ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਦਾ ਅਧਿਐਨ ਕਰਾਂਗੇ, ਜਿਸ ਲਈ ਅਸੀਂ ਘੱਟੋ-ਘੱਟ ਸਰੋਤਾਂ ਦੇ ਨਾਲ ਇੱਕ ਸਟੋਰੇਜ ਸਰਵਰ ਲਾਗੂ ਕਰਾਂਗੇ, ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਰਾਸਬੇਰੀ ਪਾਈ 'ਤੇ ਆਧਾਰਿਤ।

ਸਰੋਤ: www.habr.com