从nginx日志原始二进制数据还原文件-nginx二进制包

nginx的access日志自定义格式记录了post请求数据，因为一些原因需要从原始数据恢复出jpg格式图片。

首先处理日志，筛选出含有图片数据的日志条目，取出其中一条进行分析，大致格式如下，为了便于查看，做一下换行处理：

- | 09/Dec/2017:08:00:19 +0000 | POST /some/api HTTP/1.1 | 200 | 461 | 
--SgX***yE7dwyg0smH-Tqpt-ggGQwTU9 
\x0D\x0AContent-Disposition: form-data; name=\x22name\x22\x0D\x0AContent-Type: text/plain; charset=UTF-8\x0D\x0A\x0D\x0value\x0D\x0A 
--SgX***yE7dwyg0smH-Tqpt-ggGQwTU9 
\x0D\x0AContent-Disposition: form-data; name=\x22file\x22; filename=\abc.jpg\x22 
\x0D\x0AContent-Type: application/octet-stream 
\x0D\x0AContent-Transfer-Encoding: binary\x0D\x0A\x0D\x0A\xFF\xD8\xFF\xE0\x00\x10JFIF\x00 ... \xD2_\xA0\x1A\x7F\xFF\xD9\x0D\x0A 
--SgX***yE7dwyg0smH-Tqpt-ggGQwTU9-- 
\x0D\x0A | 42097 | - | - | - | 1.1.1.1 | d1fkkbcd02eb | 127.0.0.1:8888 | 0.034 | 0.123

[[214107]]

其中，--SgX***yE7dwyg0smH-Tqpt-ggGQwTU9是表单的分隔字段，\x0D\x0A是回车和换行的转义字符，分别等同于\r和\n，\xFF\xD8\xFF\xE0\x00\x10JFIF\x00 ... \xD2_\xA0\x1A\x7F\xFF\xD9部分就是图片原始数据。

使用上述单行日志文件tmp.log进行调试：

>>> f = open('tmp.log', 'rb') 
>>> data = f.read() 
>>> data 
"- | 09/Dec/2017:08:00:19 +0000 | POST /some/api HTTP/1.1 | 200 | 461 | --SgX***yE7dwyg0smH-Tqpt-ggGQwTU9\x0D\x0AContent-Disposition: form-data; name=\x22name\x22\x0D\x0AContent-Type: text/plain; charset=UTF-8\x0D\x0A\x0D\x0value\x0D\x0A--SgX***yE7dwyg0smH-Tqpt-ggGQwTU9\x0D\x0AContent-Disposition: form-data; name=\x22file\x22; filename=\x221512806410245.jpg\x22\x0D\x0AContent-Type: application/octet-stream\x0D\x0AContent-Transfer-Encoding: binary\x0D\x0A\x0D\x0A\xFF\xD8\xFF\xE0\x00\x10JFIF\x00\x01\x01\x00\x00\x01\x00 ... \xBC'\xF1\x8C\xCC\x83,\xFAo\xD2_\xA0\x1A\x7F\xFF\xD9 
\x0D\x0A--SgX***yE7dwyg0smH-Tqpt-ggGQwTU9--\x0D\x0A | 42097 | - | - | - | 1.1.1.1 | d1fkkbcd02eb | 127.0.0.1:8888 | 0.034 | 0.123" 
>>> print data 
- | 09/Dec/2017:08:00:19 +0000 | POST /some/api HTTP/1.1 | 200 | 461 | --SgX***yE7dwyg0smH-Tqpt-ggGQwTU9\x0D\x0AContent-Disposition: form-data; name=\x22name\x22\x0D\x0AContent-Type: text/plain; charset=UTF-8\x0D\x0A\x0D\x0value\x0D\x0A--SgX***yE7dwyg0smH-Tqpt-ggGQwTU9\x0D\x0AContent-Disposition: form-data; name=\x22file\x22; filename=\x221512806410245.jpg\x22\x0D\x0AContent-Type: application/octet-stream\x0D\x0AContent-Transfer-Encoding: binary\x0D\x0A\x0D\x0A\xFF\xD8\xFF\xE0\x00\x10JFIF\x00\x01\x01\x00\x00\x01\x00 ... \xBC'\xF1\x8C\xCC\x83,\xFAo\xD2_\xA0\x1A\x7F\xFF\xD9\x0D\x0A--SgX***yE7dwyg0smH-Tqpt-ggGQwTU9--\x0D\x0A | 42097 | - | - | - | 1.1.1.1 | d1fkkbcd02eb | 127.0.0.1:8888 | 0.034 | 0.123 
>>> f.close()

可以看出，打印到屏幕上的转义字符，如"\x0D\x0A"在文件中的原始字符串实际上是"\\x0D\\x0A"。因为""是用于转义的，所以想要显示反斜杠本身就必须转义自身。也就是说，print的时候，"\"被转义成""，所以我们看到的是"\x0D"，实际文件中储存的是"\\0D"，而我们真正需要写入文件的，是"\x0D"这个转义字符，而不是"\x0D"这个字符串。

由于文件是以二进制方式打开的，读取到的都是原始的流，所以在匹配的时候需要使用"\\\\"来表示"\\"。

使用re库处理日志：

原始数据前面是Content-Transfer-Encoding: binary加上两个\r\n，后面是一个\r\n跟上表单分割字符串--SgX***yE7dwyg0smH-Tqpt-ggGQwTU9--

>>> import re 
>>> pf = re.compile('^.*Content-Transfer-Encoding: binary\\\\x0D\\\\x0A\\\\x0D\\\\x0A') 
>>> pb = re.compile('\\\\x0D\\\\x0A--.*$') 
>>> data = re.sub(pf,'',data) 
>>> data 
"\\xFF\\xD8\\xFF\\xE0\\x00\\x10JFIF\\x00\\x01\\x01\\x00\\x00\\x01\\x00 ... \\xBC'\\xF1\\x8C\\xCC\\x83,\\xFAo\\xD2_\\xA0\\x1A\\x7F\\xFF\\xD9\\x0D\\x0A--SgX***yE7dwyg0smH-Tqpt-ggGQwTU9--\\x0D\\x0A | 42097 | - | - | - | 1.1.1.1 | d1fkkbcd02eb | 127.0.0.1:8888 | 0.034 | 0.123" 
>>> data = re.sub(pb,'',data) 
>>> data 
"\\xFF\\xD8\\xFF\\xE0\\x00\\x10JFIF\\x00\\x01\\x01\\x00\\x00\\x01\\x00 ... \\xBC'\\xF1\\x8C\\xCC\\x83,\\xFAo\\xD2_\\xA0\\x1A\\x7F\\xFF\\xD9"

这样的匹配处理并不严谨，假设原始数据中本来就含有\\x0D\\x0A--的话，就会丢失原始数据，但目前为止还没遇到这种情况有效。更麻烦的做法是先匹配出表单分割字符串，然后以此为界分割出数据后，再删除两边多余的字符和回车换行。

成功提取出原始数据后，对数据进行解码，并写入.jpg文件。如果没有解码这一步，所有的数据都会被当做字符串写入文件，而不会被当成转义字符。简单做个测试：

把"\xFF\xD8\xFF\xE0\x00\x10JFIF\x00\x01"保存到文件test.log。

>>> f = open('test.log', 'rb') 
>>> data = f.read() 
>>> data 
'\\xFF\\xD8\\xFF\\xE0\\x00\\x10JFIF\\x00\\x01\n' 
>>> print data 
\xFF\xD8\xFF\xE0\x00\x10JFIF\x00\x01 
 
>>> import codecs as c 
>>> c.decode(data, 'string_escape') 
'\xff\xd8\xff\xe0\x00\x10JFIF\x00\x01\n' 
>>> print c.decode(data, 'string_escape') 
����JFIF 
 
>>>

读取的原始数据是两根反斜杠，print时因为反斜杠被转义成字符，所以变成一根。解码后的数据本身只有一根斜杠，print时打印出转义字符本身，也就是乱码。

接下来就可以分割文件，然后还原图片了。

#!/usr/bin/env python 
 
import codecs, re 
 
 
ifile = 'access.log' 
suffix = 'jpg' 
 
pf = re.compile('^.*Content-Transfer-Encoding: binary\\\\x0D\\\\x0A\\\\x0D\\\\x0A') 
pb = re.compile('\\\\x0D\\\\x0A--.*$') 
 
try: 
    with open(ifile, 'rb') as f: 
        number = 1 #***张图片序号为1 
        while True: 
            l = f.readline().strip() #读取一行并去掉末尾的换行符\n 
            if not l: #文件读完返回''时退出循环 
                break 
            l = re.sub(pf, '', l) #将数据前的字符替换为空 
            l = re.sub(pb, '', l) #将数据后的字符替换为空 
            img_file = '.'.join([str(number), suffix]) #图片文件名称 
            print img_file #打印名字方便看进度 
            with open(img_file, 'wb') as i: #解码并写入文件 
                i.write(codecs.decode(l, 'string_escape')) 
            number += 1 #下一张图片序号加1 
except IOError: 
    pass

access.log含有多条日志，每条日志都包含图片数据。日志较大，所以不使用readlines()，本来使用list也很占内存，且这样处理比较慢，要等程序把整个文件读完。按行读取日志后提取出图片数据后解码写入文件即可。