網(wǎng)站統(tǒng)計中的數(shù)據(jù)收集原理及實現(xiàn)

網(wǎng)站統(tǒng)計中的數(shù)據(jù)收集原理及實現(xiàn)_埋點統(tǒng)計網(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(nèi)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：/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?qū)膅a.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(diào)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。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(nèi)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(nèi)執(zhí)行，而后端腳本在另外的域（GA的后端統(tǒng)計腳本是/_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=12801024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11的空gif圖片作為響應內(nèi)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）。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)。總體來說，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。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： var_maq=_maq|; _maq.push(_setAccount,網(wǎng)站標識); (function() varma=document.createElement(script);ma.type=text/javascript;ma.async=true; ma.src=(https:=tocol?https:/analytics:http:/analytics)+./ma.js; vars=document.getElementsByTagName(script)0;s.parentNode.insertBefore(ma,s); )(); 這里我啟用了二級域名，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() varparams=; /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(variin_maq) switch(_maqi0) case_setAccount: params.account=_maqi1; break; default: break; /拼接參數(shù)串 varargs=; for(variinparams) if(args!=) args+=&; args+=i+=+encodeURIComponent(paramsi); /通過Image對象請求后端腳本 varimg=newImage(1,1); img.src=/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AIPA域名AURLA頁面標題AReferrerA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(nèi)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/，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：/misc/slides/ngx-openresty-ecosystem/，關于ngx_lua可以參考：/chaoslawful/lua-nginx-module。首先，需要在nginx的配置文件中定義日志格式：log_formattick$msecA$remote_addrA$u_domainA$u_urlA$u_titleA$u_referrerA$u_shA$u_swA$u_cdA$u_langA$http_user_agentA$u_utraceA$u_account;注意這里以u_開頭的是我們待會會自己定義的變量，其它的是nginx內(nèi)置變量。然后是核心的兩個location：location/1.gif #偽裝成gif文件 default_typeimage/gif; #本身關閉access_log，通過subrequest記錄log access_logoff; access_by_lua -用戶跟蹤cookie名為_utrace localuid=ngx.var.cookie_utrace ifnotuidthen -如果沒有則生成一個跟蹤cookie，算法為md5(時間戳+IP+客戶端信息) uid=ngx.md5(ngx.now().ngx.var.remote_addr.ngx.var.http_user_agent) end ngx.headerSet-Cookie=_utrace=.uid.;path=/ ifngx.var.arg_domainthen -通過subrequest到/i-log記錄日志，將參數(shù)和用戶跟蹤cookie帶過去 ngx.location.capture(/i-log?.ngx.var.args.&utrace=.uid) end ; #此請求不緩存 add_headerExpiresFri,01Jan198000:00:00GMT; add_headerPragmano-cache; add_headerCache-Controlno-cache,max-age=0,must-revalidate; #返回一個11的空gif圖片 empty_gif; location/i-log #內(nèi)部location，不允許外部直接訪問 internal; #設置變量，注意需要unescape set_unescape_uri$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$arg_account; #打開日志 log_subrequeston; #記錄日志到ma.log，實際應用中最好加buffer，格式為tick access_log/path/to/logs/directory/ma.logtick; #輸出空字符串 echo; 要完全解釋這段腳本的每一個細節(jié)有點超出本文的范圍，而且用到了諸多第三方ngxin模塊（全都包含在OpenResty中了），重點的地方我都用注釋標出來了，可以不用完全理解每一行的意義，只要大約知道這個配置完成了我們在原理一節(jié)提到的后端邏輯就可以了。日志輪轉(zhuǎn)真正的日志收集系統(tǒng)訪問日志會非常多，時間一長文件變得很大，而且日志放在一個文件不便于管理。所以通常要按時間段將日志切分，例如每天或每小時切分一個日志。我這里為了效果明顯，每一小時切分一個日志。我是通過crontab定時調(diào)用一個shell腳本實現(xiàn)的，shell腳本如下：_prefix=/path/to/nginxtime=date+%Y%m%d%Hmv$_prefix/logs/ma.log$_prefix/logs/ma/ma-$time.logkill-USR1cat$_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(zhuǎn)操作。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：1351060731.360AAA/ACodingLabsAA1024A1280A24Azh-CNAMozilla/5.0(Macintosh;IntelMacOSX10_8_2)AppleWebKit/5