Regex 使用R或python转换日志文件数据以进行分析的最佳技术
我想将日志文件转换为可以在R中读取的格式,以便进行进一步分析 我在寻找解决方案时遇到的事情。 Regex、RecordBreaker、OpenRefine或GoogleRefine,R有stringr和dplyr等 我尝试过使用OpenRefine,它似乎很有用,但仍然希望有更多的指导,因为他们说日志文件是真正的大数据 数据是这样的Regex 使用R或python转换日志文件数据以进行分析的最佳技术,regex,r,data-processing,log-files,Regex,R,Data Processing,Log Files,我想将日志文件转换为可以在R中读取的格式,以便进行进一步分析 我在寻找解决方案时遇到的事情。 Regex、RecordBreaker、OpenRefine或GoogleRefine,R有stringr和dplyr等 我尝试过使用OpenRefine,它似乎很有用,但仍然希望有更多的指导,因为他们说日志文件是真正的大数据 数据是这样的 M 8000000 NADR 14273 18:17:43.22 STC35256 00000291 DSNT375I +HPN2 PLAN=DISTS
M 8000000 NADR 14273 18:17:43.22 STC35256 00000291 DSNT375I +HPN2 PLAN=DISTSERV WITH 026
D 026 00000291 CORRELATION-ID=db2jcc_appli
D 026 00000291 CONNECTION-ID=SERVER
D 026 00000291 LUW-ID=G93FF023.DB11.CDD5C8DE241F=29839
D 026 00000291
D 026 00000291 THREAD-INFO=SAPHPNDB:9.63.240.123:SAPHPNDB:db2jcc_application:DYNAMIC
D 026 00000291 :46835:*:*
D 026 00000291 IS DEADLOCKED WITH PLAN=DISTSERV WITH
D 026 00000291 CORRELATION-ID=db2jcc_appli
D 026 00000291 CONNECTION-ID=SERVER
D 026 00000291 LUW-ID=G93FF07C.EE5F.CDD5C82B2305=29799
D 026 00000291
D 026 00000291 THREAD-INFO=SAPHPNDB:9.63.240.33:SAPHPNDB:db2jcc_application:DYNAMIC:
D 026 00000291 46835:*:*
E 026 00000291 ON MEMBER HPN2
............................................................................
底层结构是这样的
M 8000000 NADR 14273 18:17:43.22 STC35256 00000291 DSNT375I +HPN2 PLAN=DISTSERV WITH 026
D 026 00000291 CORRELATION-ID=db2jcc_appli
D 026 00000291 CONNECTION-ID=SERVER
D 026 00000291 LUW-ID=G93FF023.DB11.CDD5C8DE241F=29839
D 026 00000291
D 026 00000291 THREAD-INFO=SAPHPNDB:9.63.240.123:SAPHPNDB:db2jcc_application:DYNAMIC
D 026 00000291 :46835:*:*
D 026 00000291 IS DEADLOCKED WITH PLAN=DISTSERV WITH
D 026 00000291 CORRELATION-ID=db2jcc_appli
D 026 00000291 CONNECTION-ID=SERVER
D 026 00000291 LUW-ID=G93FF07C.EE5F.CDD5C82B2305=29799
D 026 00000291
D 026 00000291 THREAD-INFO=SAPHPNDB:9.63.240.33:SAPHPNDB:db2jcc_application:DYNAMIC:
D 026 00000291 46835:*:*
E 026 00000291 ON MEMBER HPN2
............................................................................
[1]: http://i.stack.imgur.com/hw9zY.png
可能的解决办法:
data <- readLines("data1.txt")
pattern <- "(M\\s+\\d+\\s+)(\\w+\\s+)(\\d+\\s+)(\\d+:\\d+:\\d+.\\d+\\s+)(\\w+\\s+)(\\d+\\s+)(\\w+\\s+)(\\+\\w+\\s+\\w+(\\=|\\s+)\\w+\\s+\\w+\\s+\\d+)"
m <- regexec(pattern,data)
matches <- regmatches(data, m)
parts <- do.call(rbind,lapply(regmatches(data, m), `[`,c(2L,3L,4L,5L,6L,7L,8L,9L)))
colnames(parts) <- c("ID1","ID2","Date","Time","ID3","ID4","ID5","description")
parts <- as.data.frame(parts)
parts1 <- na.omit(parts)
data好吧,你可以一次做一行日志。伪代码应该是这样的:
IF logrow.record == 'D' AND logrow.type == 'CORRELATION' THEN
current.record$correlation = logrow.value
ELSE IF logrow.record == 'E' THEN
all.records[n+1] = current.record
ELSE IF logrow.record == 'M' THEN
current.record = empty new record
current.record$ID = logrow.value
END
基本上如果是M,那么你就开始一个新的记录。如果是E,则结束当前的一个。如果是D,则根据当前的其他信息将数据添加到当前记录中
这不会太容易,但也不会太难。从一条记录开始,创建大量中间变量,然后一步一个脚印。是否预定义了D的总集合?否则,您如何想象将不同的D映射到变量?这不是预定义的,它是变化的,可能出现的变量数量最多,并且可能出现多个情况,其中一个子集可能会出现。所以相关ID应该是一列,但在日志中没有生成相关ID的代码段中,我们应该有NA。