论文系统Step1:从日志记录中提取特定信息
前言
论文数据需要，需要实现从服务器日志中提取出用户的特定交互行为信息。日志内容如下:
自己需要获取“请求数据包一行的信息”及“OUTSTR”下一行的信息。
思路
考虑使用正则表达式提取特定信息。
示例代码:
Pattern pattern = Pattern.compile("请求数据包信息:\"(.+?)\"");
Matcher matcher = pattern.matcher("请求数据包信息:\"index.html\"");
if(matcher.find())
System.out.println(matcher.group(1));
考虑到日志中数据格式特点，利用上述方式并不可行。不过还是应该考虑使用正则解决以上问题。
初步处理后的文档内容如下:
分析以上信息，需要进一步进行处理，将每个用户的信息进行单独抽取并存入到数据库中。作为实验，先单独获取一用户的数据。但是由于服务端返回数据无任何用户标识，而且返回信息无任何交易标识，仍需添加。需要对日志做进一步的处理操作。添加信息如下:
通过将json格式的字符串转换为json对象。并获取到指定信息，如下所示:
为了提取出每个用户的交互序列，实现方法如下:将日志中的交互序列按照用户ID分别建立相应的文件夹。将同一用户的请求与输出信息输出到同一用户ID的文件内。内容如下:
文件内容如下：
通过分析分类后的文件内容，可以发现，由于存在某些耗时交易，故会出现多个请求、输出交叉显示的情况。
针对这种情况，在服务端返回信息中加入了uid,tx_code信息，如下所示:
那么就需要将服务端返回信息与请求信息进行配对操作。
考虑到交易的混合，服务端返回信息的混合，必须假设一种理想情况之下的处理。否则，处理起来过于费劲。
前提：客户端的请求与服务端的响应按照线性顺序出现，一一对应。
Ti、To到底存放什么类型的数据？Json中的key还是json对象？
只是单纯存储key的话，Ti、To基本上毫无用处，无法完成基于内容的行为预测与预警。
存储json对象的话，数据量会非常庞大，应给与调整。到底应该进行怎样的数据调整？只提取“重点信息”。例如交易金额，药品种类。
还是应该结合系统说明文档来做，将事件的输入、输出自动添加进(重点考虑输入输出内容)。
这样问题的思路就很清晰了。
考虑将交易时间写入数据表中，便于得出交易序列。同时可考虑将时间因素添加进去，做服务推荐(协同过滤，加入时间维度)。例如:在什么时间购买了什么药品，可得出在这一时间段内该用户易的某种疾病的推测。
日志信息的筛选:对于用户行为序列中只存在一个事件的情况可考虑忽略不计。对于分析用户的习惯无用。
获取到指定信息后，需要将其存入数据库中。数据表内容如下:
1.静态属性表(lab_static_attribute)
表名：lab_static_attribute
主键：uid,login_time,out_time,last_time
字段名 |
中文名 |
类型 |
备注 |
uid |
用户ID |
Varchar(11) |
uid
|
login_time |
登陆时间 |
Varchar(1) |
0 24:00-1:00 1 1:00-2:00 2 2:00-3:00 . . 23 23:00-24:00 |
out_time |
登出时间 |
Varchar(1) |
0 24:00-1:00 1 1:00-2:00 2 2:00-3:00 . . 23 23:00-24:00 |
last_time |
在线时长 |
Int(3) |
以秒为单位 |
2.动态序列表(lab_dynamic_order)
表名：lab_dynamic_order
主键：uid,tid,t_next
字段名 |
中文名 |
类型 |
备注 |
uid |
用户ID |
Varchar(11) |
uid |
tid |
事务ID |
Varchar(4) |
|
ti |
输入参数 |
Varchar(50) |
|
tout |
输出结果 |
Varchar(50) |
|
t_next |
路由下一跳 |
Varchar(4) |
下一个可执行路由 |
weight |
路由权重 |
Int(3) |
每条路由之间的权重 |
t_time |
交易时间 |
Varchar(19) |
|
接下来的工作就是建立数据库，并实现数据库的操作。
好长时间不涉及到数据库的操作了，发觉自己已经变得生疏了。还得拾起来啊。
PS:中间出了点问题，令自己很是头痛。由于数据库的操作包括肯定会涉及到增删改查，所以自己的方法得更改一下了，但是直接使用“立马送药”项目的数据库操作方法时，却出现了数据表只能读，不能写的状况。自己需要一步步的排查问题，看看使用lmapp的数据表是否可以使用。
经过阅读“立马送药”中数据库操作的有关代码，自己还是发现了一些端倪。MyDatabase.commit();这句意味深长。在操作之后添加这句后，居然就可以往数据库中写数据了。
通过实际操作，实现了数据库的连接及新增Demo操作。接下来就需要将提取到的真实数据写进数据库存储。
关于数据表lab_dynamic_order中ti与tout的存储内容问题探讨
首先注意到各交易的输入、输出参数的键是不同的，所以不可能在数据表中以字段形式展现，而是应该整体存储在数据表内。结合以下用户日志信息分析。
可得相应信息如下表所示，时间因素已在数据表中记录，故输入参数ti中不再体现。
tid |
ti |
tout |
9015 |
{“stat”:“1”} |
{“cnt”:0} |
9101 |
{null} |
{"data":[{"advid":"2","url":"AngularJSunny.jpg"},...,{"advid":"5","url":"VIP.jpg"}]} |
9104 |
{“version”:“1.2”} |
{"errtext":"当前已是最新版本"} |
receiver:{"old_billid":"","addrid":"6","shopid":"S18853883587","msg":"","yhhdid":"YH00000019","yhhdamt":2,"yhqid":"","yhqcnt":0,"yhqamt":0,"cnt":1,"meddata":[{"medid":"TH20013063","medcnt":1,"cfid":""}],"version":"1.0","fore_time":"2016-03-18 15:53:06","uid":"18353102068","tx_code":"3002"}
刚才在手机端模拟了用户操作，明天记得将2016-05-16的日志提取出来。
通过再一次分析日志，发现自己的筛选方法存在问题。应该以“receiver:”开头的字符串作为输入参数的提取点。
以用户轨迹为线索，用户轨迹行为如下：
登录(1002)-->搜索药品(9002)-->选择地址(1004)-->提交订单(3002)
tid |
ti |
tout |
1002 |
{“phone”:“18353102068”} |
{“result”:登陆结果} |
9002 |
{“classid”：分类编号} |
{“pcnt”:返回数量} |
9005 |
{“shopid”:药店编号} |
{“pcnt”:返回数量} |
9101 |
{null} |
{“data”:广告详情} |
9103 |
{“advid”:广告编号} |
{“url”:广告链接} |
1004 |
{null} |
{"addrs":[{"receiver":"孙华强","tel":"18853883586","addr":"北京市北京市朝阳区112号","addrid":1}]} |
3002 |
{"old_billid":"","addrid":"1","shopid":"S18853883587","msg":"","yhhdid":"YH00000019","yhhdamt":2,"yhqid":"","yhqcnt":0,"yhqamt":0,"cnt":4,"meddata":[{"medid":"TH20013063","medcnt":1,"cfid":""},{"medid":"TZ44021940","medcnt":1,"cfid":""},{"medid":"TH10940251","medcnt":1,"cfid":""},{"medid":"TB20020918","medcnt":1,"cfid":""}] |
｛"billid":"LM201605163586476"｝ |
注意其中的输入输出参数是经过筛选之后提取出来的。为此需要写一个工具类，用来提取特定的输入输出参数。
测试情景1：
输入：整理后的单用户日志
18353102068:1002-->9002-->9002-->9002-->9005-->1004-->3002
输出：静态统计表、动态统计表
测试情景2：
输入：整理后的多用户日志
18353102068:1002-->9002-->9002-->9002-->9005-->1004-->3002
18353102066:1002-->9002-->9005-->1004-->3002
输出：静态统计表、动态统计表
测试情景3：
输入：整理后的包含匿名用户日志
18353102068:1002-->9002-->9002-->9002-->9005-->1004-->3002
18353102066:1002-->9002-->9005-->1004-->3002
$tempuser:9002-->9005-->9101-->9103
输出：静态统计表、动态统计表
测试情景4：
输入：整理后的交叉请求案例日志
输出：静态统计表、动态统计表
测试情景5：
输入：整理后的单用户多阶段日志
注：测试需在case长度至少为2的情况下进行。
18353102068:1002-->9002-->9002
18353102068:1002
输出：静态统计表、动态统计表
测试情景6：
输入：整理后的多用户多阶段日志
注：测试需在case长度至少为2的情况下进行。
18353102068:1002(2016-05-16 11:27:45)-->9002-->9002(2016-05-16 11:27:47)
18353102066:1002(2016-05-16 12:27:45)-->1004-->3002(2016-05-16 12:37:54)
18353102068:1002(2016-05-17 11:27:45)
-->9002-->9002-->9002-->9005-->1004-->3002(2016-05-17 11:27:54)
18353102066:1002(2016-05-17 11:27:45)
-->9002->9005-->1004-->3002(2016-05-17 11:27:54)
输出：静态统计表、动态统计表
测试情景7：
输入：整理后的包含匿名用户多阶段日志
注：测试需在case长度至少为2的情况下进行。
1.18353102068:1002(2016-05-16 11:27:45)-->9002-->9002(2016-05-16 11:27:47)
2.18353102066:1002(2016-05-16 12:27:45)-->1004-->3002(2016-05-16 12:37:54)
3.18353102068:1002(2016-05-17 11:27:45)
-->9002-->9002-->9002-->9005-->1004-->3002(2016-05-17 11:27:54)
4.18353102066:1002(2016-05-17 11:27:45)
-->9002->9005-->1004-->3002(2016-05-17 11:27:54)
5.$tempuser:9002(2016-05-17 11:35:54)-->9005-->9101-->9103(2016-05-17 11:39:54)
6.18353102066:1002(2016-05-17 12:27:45)-->1004-->3002(2016-05-17 12:37:54)
7.$tempuser:9002(2016-05-17 12:35:54)-->9101-->9103(2016-05-17 12:39:54)
输出：静态统计表、动态统计表
测试情景8：
输入：实际用户日志
问题
查看日志内容：
receiver:{"version":"1.0","fore_time":"2016-05-16 20:21:04","uid":"$tempuser","tx_code":"1001"}
receiver:{"version":"1.0","fore_time":"2016-05-16 20:21:22","uid":"$tempuser","tx_code":"1002"}
实际日志中居然出现了上面的请求信息。1001为注册交易应该对应参数“phone”和“passwd”,但请求中并未包含，这是什么原因？
交易1001(注册)、1002(登录)均涉及到加密传输，在逻辑上可以解释以上现象。移动端1001(注册交易)代码如下:
var data = {};appCallServer($http, "1001", data, function(data) {$ionicLoading.hide();var key = data.publickey;// 在此调用测试加密var passwd = password; // 用户密码提交至此data = {"phone": phonenum, // 用户名提交至此"passwd": MyRsaEncrypt(key, passwd)};appCallServer($http, "1001", data, function(data) {if (data.result == "0000") {$ionicLoading.show({template: "注册成功"});$timeout(function() {$ionicLoading.hide();$scope.gotoLogin(phonenum, password);}, 1000);}});}, function(data) {$ionicLoading.show({template: data.errtext});$timeout(function() {$ionicLoading.hide();}, 1000);});
客户端实现的业务逻辑是首先调用一次1001(此次请求参数为空),获取到服务端返回的公钥后，利用此公钥对用户所输入的密码进行加密操作。再次调用1001(此次请求参数为phone，passwd)，完成用户的注册。1002逻辑同此。至此，以上问题得到了解释。
为此，通过更改服务端逻辑:在1001，1002调用之前使用0000获取公钥，这样就符合了自己的筛选规则：去除0000。
if(b.contains("result") && !"0000".equals(tx_code)){....}
整理后的日志中不会再出现1001、1002均不会存在不存在“phone”参数的现象。
注：在进行实际日志测试的时候遇到了瓶颈，交易紊乱，输入输出紊乱问题尤为突出。难道是生成日志方式有问题？
$tempuser:1001(2016-05-16 20:21:04)-->9101-->9103(2016-05-17 12:39:54)
18353102068:9104(2016-05-16 11:27:10)-->9101-->9002(2016-05-16 11:27:47)
输出：静态统计表、动态统计表
未完待续.....
参考文献
1.http://blog.csdn.net/sunhuaqiang1/article/details/47169913
美文美图
