我在服务器上有每天切割nginx日志的习惯，所以针对每天各大搜索引擎来访，总能记录一些404页面信息，传统上我只是偶尔分析下日志，但是对于很多日志信息的朋友，人工来筛选可能不是一件容易的事情，这不我个人自己慢慢研究了一点点，针对谷歌、百度、搜搜、360搜索、宜搜、搜狗、必应等搜索引擎的404访问生成为一个txt文本文件，直接上代码test.php。

<?php
//访问test.php?s=google

header('Content-type: text/plain');
$time=$_GET['t'];
$time_unix=strtotime($time);

if($time_unix!==false){
	$yesterday= $time_unix;
}else{
	$yesterday= strtotime(date('Y/m/d'))-86400;
}


$domain='http://www.markdream.com';
$spiders=array('baidu'=>'Baiduspider','360'=>'360Spider','google'=>'Googlebot','soso'=>'Sosospider','sogou'=>'Sogou web spider','easou'=>'EasouSpider','bing'=>'bingbot');

$path='/opt/nginx/logs/markdream/'.date('Y/m/d',$yesterday).'/access_www.txt';

$s=$_GET['s'];
if(!array_key_exists($s,$spiders)) exit();

$spider=$spiders[$s];

$file=$s.'_'.date('ymd',$yesterday).'.txt';

if(!file_exists($file)){
	 $in=file_get_contents($path);
	 $pattern='/GET (.*) HTTP\/1.1" 404.*'.$spider.'/';
	 preg_match_all ( $pattern , $in , $matches );
	 $out='';
	 foreach($matches[1] as $k=>$v){
		$out.=$domain.$v."\r\n";
	 }
	 file_put_contents($file,$out);
}

echo file_get_contents($file);

好就这样了。没有什么高深的技术，只有动手写的过程。

附件nginx日志切割脚本

#!/bin/bash
#!/bin/bash
# This script run at 00:00

# The Nginx logs path
logs_path="/opt/nginx/logs/"
#sed by view on http
display_path="/home/website/pony/"
day_path=${display_path}$(date -d "yesterday" +"%Y")/$(date -d "yesterday" +"%m")/$(date -d "yesterday" +"%d")
#create 
mkdir -p ${day_path}

#mine
mv ${logs_path}access.log ${day_path}/access.txt

mv ${logs_path}error.log ${day_path}/error.txt


kill -USR1 `cat /opt/nginx/logs/nginx.pid`

#添加到计划任务
#0 0 * * *  root  /opt/nginx/logs/cutlog.sh