Mis apuntes · Aprende awk desde PHP

Se guardan solos en este navegador mientras escribes. Puedes usar Markdown. Al descargarlos, la primera línea es tu enlace personal al curso.

Lección 6 de 31 · Campos y separadores ✦ WebMCP implementado

Anatomía del access log de nginx

9 min de lectura 4 retos

Llevas cinco lecciones usando $1, $7 y $9 del log casi de memoria. Ahora lo abrimos en canal: qué significa cada trozo de una línea, por qué el navegador sale roto al cortar por espacios y cómo sacarlo entero cortando por las comillas.

¿De dónde vienen los nombres?

nginx = se lee engine x («motor equis»)
El servidor web que recibe las visitas y le pasa a PHP las que le tocan. Es quien escribe el access.log. Apache escribe uno casi idéntico.
combined = inglés combined (combinado)
El nombre del formato del log. Antes los servidores apuntaban en tres ficheros distintos: las visitas, de dónde venían y con qué navegador. Este formato lo combina todo en una sola línea.
referer = inglés referrer (el que te remite), mal escrito
La página desde la que llegó el visitante. En el estándar de HTTP de los años 90 se coló escrita con una sola r, y así se quedó para siempre. En PHP es $_SERVER["HTTP_REFERER"].
user agent = inglés user agent (agente del usuario)
El programa que hace la petición en nombre de una persona: un navegador, curl, el robot de Google. Cada uno se presenta con un texto. En PHP es $_SERVER["HTTP_USER_AGENT"].
estado = del inglés status code (código de estado)
El número de tres cifras con el que respondes: 200 es «todo bien», 404 «no existe». Es lo que pones en PHP con http_response_code(404).
En 4 ideas
1/4

Cada línea del log es una visita y tiene siempre las mismas piezas, en el mismo orden: IP, fecha, petición, estado, bytes, referer y navegador. Casi todas las tienes en $_SERVER cuando programas en PHP.

1 · Una línea, una visita

Cada vez que alguien pide algo a tu web (una página, una imagen, un CSS), nginx añade una línea al final de access.log. Esta es la segunda línea del log del curso:

203.0.113.7 - - [19/Nov/2026:10:15:33 +0100] "GET /css/app.css HTTP/1.1" 200 18230 "https://eduardoaf.com/" "Mozilla/5.0 (X11; Linux x86_64; rv:131.0) Gecko/20100101 Firefox/131.0"

Parece un chorro de texto, pero es como el ticket del supermercado: siempre trae lo mismo y en el mismo orden. De izquierda a derecha:

Trozo de la líneaQué esEn PHP lo conoces como
203.0.113.7La IP del visitante$_SERVER["REMOTE_ADDR"]
-Un hueco que hoy no se usa. Siempre es un guionnada
-El usuario, si la página pide contraseña del navegador. Casi siempre un guion$_SERVER["PHP_AUTH_USER"]
[19/Nov/2026:10:15:33 +0100]Fecha y hora, y la zona horaria (+0100 es una hora más que la hora universal)date("d/M/Y:H:i:s O")
"GET /css/app.css HTTP/1.1"La petición: método, URL y versión del protocoloREQUEST_METHOD, REQUEST_URI y SERVER_PROTOCOL de $_SERVER
200El estado con el que respondistehttp_response_code()
18230Los bytes que enviaste como respuestael strlen() de todo lo que hiciste echo
"https://eduardoaf.com/"El referer: desde qué página llegó. Un guion si entró directamente$_SERVER["HTTP_REFERER"]
"Mozilla/5.0 (X11; …"El navegador (user agent): con qué programa vino$_SERVER["HTTP_USER_AGENT"]

Este orden no es una manía del curso. Es el formato que nginx trae de fábrica, se llama combined y está definido así en su configuración:

awkprograma.awkSolo lectura: es configuración de nginx, no awk
log_format combined '$remote_addr - $remote_user [$time_local] '
                    '"$request" $status $body_bytes_sent '
                    '"$http_referer" "$http_user_agent"';

Léelo como una plantilla: cada $algo es un hueco que nginx rellena en cada visita. Fíjate en un detalle que va a ser importante: tres de los huecos van entre comillas dobles (la petición, el referer y el navegador) y la fecha va entre corchetes. Son justo los datos que pueden llevar espacios dentro.

2 · Cortando por espacios

Sin tocar FS, awk corta por los espacios. Los cuatro datos que más vas a usar no tienen espacios dentro, así que salen limpios:

awkprograma.awk
# En PHP: echo $campos[0], " ", $campos[6], " ", $campos[8], " ", $campos[9], PHP_EOL;
{ print $1, $7, $9, $10 }
$ awk -f programa.awk access.log
¿Qué significa esta línea?
  1. awk: el programa que lee el fichero. En tu servidor puede ser gawk (el de este curso) o mawk (el de Debian y Ubuntu).
  2. -f programa.awk: f de file (fichero). El programa no va escrito en la línea, está guardado en el fichero programa.awk: es lo que ves en la pestaña del mismo nombre. Sin -f, el programa se escribe entre comillas simples: awk '{ print $1 }' access.log.
  3. access.log: los datos, el fichero que awk lee línea a línea. Va siempre al final y puede haber varios: los lee uno detrás de otro.

Las variantes (una línea, varios ficheros, tuberías con |) y qué formatos puede leer awk: lección Una línea o un fichero.

IP, URL, estado y bytes. El resto de trozos también tienen su número, pero algunos salen con «restos» pegados: awk corta por los espacios y no sabe nada de corchetes ni de comillas.

CampoQué contieneEjemplo
$1la IP203.0.113.7
$2 y $3los dos guiones-
$4fecha y hora, con un corchete delante[19/Nov/2026:10:15:33
$5la zona horaria, con un corchete detrás+0100]
$6el método, con una comilla delante"GET
$7la URL/css/app.css
$8el protocolo, con una comilla detrásHTTP/1.1"
$9el estado200
$10los bytes18230
$11el referer, con sus dos comillas"https://eduardoaf.com/"
$12 hasta $NFel navegador, a trozos"Mozilla/5.0, (X11;, Linux…

El último renglón de la tabla es el problema. Pide el campo 12 y, de paso, cuántos campos tiene cada línea (NF, del módulo 01):

awkprograma.awk
# En PHP: echo count($campos), " ", $campos[11], PHP_EOL;
{ print NF, $12 }
$ awk -f programa.awk access.log
¿Qué significa esta línea?
  1. awk: el programa que lee el fichero. En tu servidor puede ser gawk (el de este curso) o mawk (el de Debian y Ubuntu).
  2. -f programa.awk: f de file (fichero). El programa no va escrito en la línea, está guardado en el fichero programa.awk: es lo que ves en la pestaña del mismo nombre. Sin -f, el programa se escribe entre comillas simples: awk '{ print $1 }' access.log.
  3. access.log: los datos, el fichero que awk lee línea a línea. Va siempre al final y puede haber varios: los lee uno detrás de otro.

Las variantes (una línea, varios ficheros, tuberías con |) y qué formatos puede leer awk: lección Una línea o un fichero.

Del navegador solo llega el primer trozo, "Mozilla/5.0, con la comilla de apertura y todo. Y el número de campos baila: 12 en las líneas de curl, 18 en las de Firefox, hasta 28 en las del iPhone. El navegador se ha roto en tantos campos como palabras tiene.

¿Por qué? · En PHP no existe

¿Por qué el log no usa un separador «de verdad», como el ; de un CSV?

Porque este formato nació en los años 90 pensado para que lo leyera una persona en una pantalla, no un programa. Se separó con espacios, y lo que podía llevar espacios dentro se envolvió entre comillas o entre corchetes.

En PHP esto te obligaría a escribir una expresión regular larga con preg_match para sacar cada pieza. awk no entiende de comillas, pero te deja algo más sencillo: cambiar el cuchillo. Si las comillas marcan dónde empieza y acaba el navegador, pues cortamos por las comillas.

3 · Cortando por las comillas

Con -F '"' el separador pasa a ser la comilla doble. Ya no importa cuántos espacios tenga el navegador: va entre dos comillas, así que cae entero en un solo campo. Es el campo 6:

PHP 8.5navegadores.php
<?php
foreach (file("access.log", FILE_IGNORE_NEW_LINES) as $linea) {
    // trocear por las comillas dobles
    $trozos = explode('"', $linea);
    // el sexto trozo (índice 5) es el navegador
    echo $trozos[5], PHP_EOL;
}
awkprograma.awk
# En PHP: echo explode('"', $linea)[5], PHP_EOL;
{ print $6 }
$ awk -F '"' -f programa.awk access.log
¿Qué significa esta línea?
  1. awk: el programa que lee el fichero. En tu servidor puede ser gawk (el de este curso) o mawk (el de Debian y Ubuntu).
  2. -F ": F de field separator (separador de campos). Corta cada línea por " en vez de por los espacios. Es tu explode(""", $linea).
  3. -f programa.awk: f de file (fichero). El programa no va escrito en la línea, está guardado en el fichero programa.awk: es lo que ves en la pestaña del mismo nombre. Sin -f, el programa se escribe entre comillas simples: awk '{ print $1 }' access.log.
  4. access.log: los datos, el fichero que awk lee línea a línea. Va siempre al final y puede haber varios: los lee uno detrás de otro.

Las variantes (una línea, varios ficheros, tuberías con |) y qué formatos puede leer awk: lección Una línea o un fichero.

Medido en el servidor del curso con access.log multiplicado hasta 1.000.000 líneas: PHP 8.5: 1,06 s · gawk: 3,74 s · mawk: 319 ms. awk tarda 3,3 veces menos que PHP.

¿Y por qué el 6? En cada línea hay seis comillas, y seis cortes dan siete trozos. Este programa los enseña todos para la primera línea del log. Lo pone entre corchetes para que veas los espacios que se quedan en los bordes:

awkprograma.awk
# En PHP: $trozos = explode("\"", $linea);
BEGIN { FS = "\"" }
NR == 1 {
    print "1: [" $1 "]"
    print "2: [" $2 "]"
    print "3: [" $3 "]"
    print "4: [" $4 "]"
    print "5: [" $5 "]"
    print "6: [" $6 "]"
    print "7: [" $7 "]"
}
$ awk -f programa.awk access.log
¿Qué significa esta línea?
  1. awk: el programa que lee el fichero. En tu servidor puede ser gawk (el de este curso) o mawk (el de Debian y Ubuntu).
  2. -f programa.awk: f de file (fichero). El programa no va escrito en la línea, está guardado en el fichero programa.awk: es lo que ves en la pestaña del mismo nombre. Sin -f, el programa se escribe entre comillas simples: awk '{ print $1 }' access.log.
  3. access.log: los datos, el fichero que awk lee línea a línea. Va siempre al final y puede haber varios: los lee uno detrás de otro.

Las variantes (una línea, varios ficheros, tuberías con |) y qué formatos puede leer awk: lección Una línea o un fichero.

  1. $1: todo lo de antes de la primera comilla. La IP, los guiones y la fecha, juntos.
  2. $2: la petición entera: GET / HTTP/1.1.
  3. $3: lo que hay entre la petición y el referer: el estado y los bytes, juntos y con un espacio a cada lado.
  4. $4: el referer, sin comillas.
  5. $5: el espacio suelto que separa el referer del navegador.
  6. $6: el navegador, entero y sin comillas.
  7. $7: vacío. Después de la última comilla ya no hay nada.

Los campos pares (2, 4 y 6) son lo que estaba dentro de las comillas. Los impares, lo que quedaba fuera.

¿Por qué? · En PHP no existe

¿Por qué FS = "\"" lleva esa barra en medio?

En PHP tienes dos tipos de comillas, y para escribir una comilla doble usas las simples: explode('"', $linea). En awk los textos solo pueden ir entre comillas dobles (lo viste en la primera lección), así que una comilla doble dentro de un texto hay que «escaparla» con una barra: "\"". Es lo mismo que el "\"" de PHP.

Se lee de fuera adentro: comilla que abre el texto, barra más comilla (el carácter que quieres) y comilla que cierra. Si te olvidas de la barra, awk ve un texto vacío seguido de una comilla suelta y se queja con un error de sintaxis; al menos este fallo sí avisa.

En la terminal es más cómodo: awk -F '"'. Ahí las comillas simples son de la terminal, no de awk, y dentro de ellas la comilla doble es un carácter normal.

4 · ¿Qué separador elijo?

Al cambiar de separador cambian todos los números. El navegador era $12 y siguientes; ahora es $6. El estado era $9; ahora está dentro de $3, pegado a los bytes. Esta tabla pone los dos mundos lado a lado:

DatoCon espacios (por defecto)Con comillas (-F '"')
IP$1 ✔dentro de $1, con los guiones y la fecha
Fecha y hora$4, con un [ delantedentro de $1
Método$6, con una comilla delantedentro de $2
URL$7 ✔dentro de $2
Petición enterarepartida en $6, $7 y $8$2 ✔
Estado$9 ✔dentro de $3, con los bytes
Bytes$10 ✔dentro de $3, con el estado
Referer$11, con comillas$4 ✔
Navegador$12 hasta $NF, a trozos$6 ✔

Ningún separador gana en todo. La regla es sencilla: números y URL, con espacios; textos entre comillas, con comillas. Antes de escribir el programa, piensa qué dato necesitas entero.

Un ejemplo que por espacios no podrías hacer. curl es un programa de terminal para hacer peticiones, muy usado en scripts y también por quien va probando puertas. ¿Qué han pedido las visitas cuyo navegador es exactamente curl/8.5.0?

awkprograma.awk
# En PHP: $trozos = explode('"', $linea);
BEGIN { FS = "\"" }
# En PHP: if ($trozos[5] == "curl/8.5.0") { echo $trozos[1], PHP_EOL; }
$6 == "curl/8.5.0" { print $2 }
$ awk -f programa.awk access.log
¿Qué significa esta línea?
  1. awk: el programa que lee el fichero. En tu servidor puede ser gawk (el de este curso) o mawk (el de Debian y Ubuntu).
  2. -f programa.awk: f de file (fichero). El programa no va escrito en la línea, está guardado en el fichero programa.awk: es lo que ves en la pestaña del mismo nombre. Sin -f, el programa se escribe entre comillas simples: awk '{ print $1 }' access.log.
  3. access.log: los datos, el fichero que awk lee línea a línea. Va siempre al final y puede haber varios: los lee uno detrás de otro.

Las variantes (una línea, varios ficheros, tuberías con |) y qué formatos puede leer awk: lección Una línea o un fichero.

/wp-login.php, /.env, /phpmyadmin/, tres intentos seguidos en /login… Esa IP no está visitando tu web: está buscando por dónde entrar. A lo largo del curso le vas a seguir la pista.

La pregunta que te vas a hacer

¿Y el log de mi servidor es igual que este?

Casi seguro que sí. Si en la configuración de nginx la línea access_log no dice ningún formato, se usa combined: el de esta lección. Apache tiene un formato con el mismo nombre y las mismas piezas en el mismo orden, así que todo lo del curso te vale también ahí.

Lo que puede pasar es que alguien haya definido un formato propio (por ejemplo, para apuntar cuánto tardó cada petición). Entonces hay campos de más y los números se corren. Se comprueba en un minuto: busca la palabra log_format en /etc/nginx/nginx.conf y compárala con la plantilla de arriba. Y haz siempre la prueba del algodón: imprime $9 de unas cuantas líneas; si salen números de tres cifras, vas bien.

Hora de practicar

Retos · 0/4 resueltos

Reto 1 de 4

Tres datos limpios

Con el separador por defecto (espacios), imprime de cada visita la IP, el estado y los bytes, separados por un espacio. Para la primera línea debe salir 203.0.113.7 200 5123. En PHP sería echo $campos[0], " ", $campos[8], " ", $campos[9], PHP_EOL;.

Al pulsar Comprobar, tu programa se ejecuta en tu navegador con el fichero que ves y con otro distinto que no ves: tiene que acertar con los dos.

awkprograma.awk · editable
$ awk -f programa.awk access.log
¿Qué significa esta línea?
  1. awk: el programa que lee el fichero. En tu servidor puede ser gawk (el de este curso) o mawk (el de Debian y Ubuntu).
  2. -f programa.awk: f de file (fichero). El programa no va escrito en la línea, está guardado en el fichero programa.awk: es lo que ves en la pestaña del mismo nombre. Sin -f, el programa se escribe entre comillas simples: awk '{ print $1 }' access.log.
  3. access.log: los datos, el fichero que awk lee línea a línea. Va siempre al final y puede haber varios: los lee uno detrás de otro.

Las variantes (una línea, varios ficheros, tuberías con |) y qué formatos puede leer awk: lección Una línea o un fichero.

Resumen

Lo que te llevas de esta lección

  1. Una línea del log es una visita: IP, fecha, petición, estado, bytes, referer y navegador. Son tus REMOTE_ADDR, REQUEST_URI, HTTP_REFERER y HTTP_USER_AGENT de $_SERVER.
  2. Con espacios: $1 IP, $7 URL, $9 estado, $10 bytes. Es tu preg_split('/\s+/', $linea).
  3. El navegador tiene espacios dentro: por espacios se reparte de $12 a $NF y NF cambia de una línea a otra.
  4. Con -F '"' (o BEGIN { FS = "\"" }): $2 petición, $4 referer, $6 navegador. Es tu explode('"', $linea).
  5. Al cambiar el separador cambian todos los números de campo: elige el que deja entero el dato que buscas.

Para recordarlo: «Con espacios, los números; con comillas, los textos»

2Petición
$2
4Referer
$4
6Navegador
$6

IP, URL, estado y bytes no llevan espacios: salen limpios con el separador de siempre ($1, $7, $9, $10). Petición, referer y navegador van entre comillas: con -F '"' son los campos pares, $2, $4 y $6.

Los programas se ejecutan con GNU awk 5.4.1 compilado a WebAssembly, software libre con licencia GPL-3.0. Código fuente: gawk en ftp.gnu.org · receta de compilación.