从日志中提取数据的方法、装置及计算机可读存储介质与流程

本公开涉及人工智能技术领域，特别涉及一种从日志中提取数据的方法、装置及计算机可读存储介质。

背景技术：

现有技术中，为了系统的运行状态，需要进行系统运行相关数据的收集，例如系统登录用户、用户登录时间、处理成功的请求、处理失败的请求、响应时间、处理失败原因等，从而对系统进行综合的统计分析，例如得到系统处理效率、用户偏好等。

现有技术中为了获得与系统运行相关的数据，通过在系统的数据库表里面进行对应数据的查找，从而获得对应的数据。但是数据库表中保存的数据并不完整，一般出于数据库的冗余等考虑，数据库表里仅包括系统处理的最终结果等数据。所以，所收集的数据依赖于数据库表中存储的数据，如果数据库表中未保存对应需要收集的数据，则需要从其他途径来收集数据，数据获得的效率低，且获得的数据不完整。

由上可知，如何有效获得与系统运行相关的数据的问题还有待解决。

技术实现要素：

为了解决相关技术中存在的问题，本公开提供了一种从日志中提取数据的方法及装置。

第一方面，一种从日志中提取数据的方法，包括：

对所运行的系统进行日志更新监控；

如果监控到日志更新，则通过神经网络模型进行所更新日志的识别，以确定所更新日志的日志类型；

在配置文件中进行所述日志类型所对应数据提取信息查找，所述数据提取信息指示了从所述日志类型的日志中进行数据提取的数据项；

根据所查找到的数据提取信息从所述所更新日志中提取所述数据项对应的数据。

第二方面，一种从日志中提取数据的装置，包括：

监控模块，被配置为：对所运行的系统进行日志更新监控；

识别模块，被配置为：如果监控到日志更新，则通过神经网络模型进行所更新日志的识别，以确定所更新日志的日志类型；

查找模块，被配置为：在配置文件中进行所述日志类型所对应数据提取信息查找，所述数据提取信息指示了从所述日志类型的日志中进行数据提取的数据项；

提取模块，被配置为：根据所查找到的数据提取信息从所述所更新日志中提取所述数据项对应的数据。

在一实施例中，所述识别模块包括：

特征向量构建单元，被配置为：构建所更新日志的特征向量；

分类预测单元，被配置为：对所述特征向量进行分类预测，得到所述所更新日志对应的类型标签；

日志类型确定单元，被配置为：根据所述类型标签确定所述所更新日志的日志类型。

在一实施例中，所述从日志中提取数据的装置还包括：

样本日志获取模块，被配置为：获取若干样本日志，以及获取对每一所述样本日志所标注的样本标签；

训练模块，被配置为：通过所述若干样本日志和所对应的类型标签进行所述神经网络模型的训练；

训练结束模块，被配置为：当所述神经网络模型收敛，结束所述神经网络模型的训练。

在一实施例中，所述从日志中提取数据的装置还包括：

模板日志获取模块，被配置为:获取与待进行数据提取的日志所对应日志类型相同的模板日志；

数据提取信息生成模块，被配置为：在所述模板日志中，以为所述数据项所配置的变量替换所述数据项所对应的数据，并根据替换后的所述模板日志配置得到所述日志类型所对应的数据提取信息；

配置文件生成模块，被配置为：由每一所述日志类型所对应的数据提取信息构成所述配置文件。

在一实施例中，所述从日志中提取数据的装置还包括：

数据表查找模块，被配置为：进行所述日志类型所对应数据表的查找；

数据写入模块，被配置为：将所提取的所述数据写入所述数据表，以进行所述数据的存储。

在一实施例中，所述数据写入模块包括：

数据字段定位单元，被配置为：在所述数据表中进行所述数据项所关联数据字段的定位；

写入单元，被配置为：将所述数据项所对应的数据写入为所述数据字段配置的表单元中。

按照本公开的方法，通过日志更新监控、所更新日志的日志类型的识别、日志类型定义的数据提取信息的查找、根据数据提取信息从所更新的日志中提取对应的数据，从而实现了从日志中提取得到与系统运行相关的数据，实现了实时地收集系统运行的数据，而且保证了数据的完整性。而且采用深度学习的方式对日志类型进行识别，提高了识别效率和识别准确率，保证了数据提取的效率和实时性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种服务器的框图；

图2是根据一示例性实施例示出的一种从日志中提取数据的方法的流程图；

图3是图2对应实施例的步骤s130的流程图；

图4是图2对应实施例的步骤s130之前步骤的流程图；

图5是图2对应实施例的步骤s150之前步骤的流程图；

图6是图2对应实施例的步骤s170之后步骤的流程图；

图7是图6对应实施例的步骤s430的流程图；

图8是根据一示例性实施例示出的一种从日志中提取数据的装置的框图；

图9是根据另一示例性实施例示出的一种从日志中提取数据的装置的框图。

通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述，这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。

具体实施方式

这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种服务器的框图。具有此硬件结构的服务器可用于执行本公开的从日志中提取数据的方法，其中系统运行于服务器中，从而为系统的各个终端提供服务，从而在系统运行过程中产生日志，而服务器可以根据所产生的日志按照本公开的方法进行数据提取。当然，本公开从日志中提取数据的方法的执行主体并不限于图1所示的服务器中，本公开方法的执行主体还可以是具备逻辑运算处理能力的设备，例如台式电脑、笔记本电脑、由多个服务器构成的服务器集群、云端服务器等，在此不进行具体限定。

需要说明的是，该服务器只是一个适配于本公开的示例，不能认为是提供了对本公开使用范围的任何限制。该服务器也不能解释为需要依赖于或者必须具有图2中示出的示例性的服务器200中的一个或者多个组件。

该服务器的硬件结构可因配置或者性能的不同而产生较大的差异，如图2所示，服务器200包括：电源210、接口230、至少一存储器250、以及至少一中央处理器(cpu,centralprocessingunits)270。

其中，电源210用于为服务器200上的各硬件设备提供工作电压。

接口230包括至少一有线或无线网络接口231、至少一串并转换接口233、至少一输入输出接口235以及至少一usb接口237等，用于与外部设备通信，例如与终端100进行数据传输。

存储器250作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源包括操作系统251、应用程序253及数据255等，存储方式可以是短暂存储或者永久存储。其中，操作系统251用于管理与控制服务器200上的各硬件设备以及应用程序253，以实现中央处理器270对海量数据255的计算与处理，其可以是windowsservertm、macosxtm、unixtm、linuxtm、freebsdtm等。应用程序253是基于操作系统251之上完成至少一项特定工作的计算机程序，其可以包括至少一模块(图2中未示出)，每个模块都可以分别包含有对服务器200的一系列计算机可读指令。数据255可以是存储于磁盘中的日志等。

中央处理器270可以包括一个或多个以上的处理器，并设置为通过总线与存储器250通信，用于运算与处理存储器250中的海量数据255。

如上面所详细描述的，适用本公开的服务器200将通过中央处理器270读取存储器250中存储的一系列计算机可读指令的形式来完成从日志中提取数据的方法。

在示例性实施例中，服务器200可以被一个或多个应用专用集成电路(applicationspecificintegratedcircuit，简称asic)、数字信号处理器、数字信号处理设备、可编程逻辑器件、现场可编程门阵列、控制器、微控制器、微处理器或其他电子元件实现，用于执行下述从日志中提取数据的方法。因此，实现本发明并不限于任何特定硬件电路、软件以及两者的组合。

图2是根据一示例性实施例示出的一种从日志中提取数据的方法的流程图。该方法可以由图1所示的服务器执行，可以包括以下步骤：

步骤s110，对所运行的系统进行日志更新监控。

其中所运行的系统例如是为各个程序客户端提供服务的系统，例如金融公司中的交易系统、估值系统、基金系统等，也可以是终端设备上所运行的应用程序。

系统在运行过程中不断地进行逻辑处理，例如接收客户端发起的请求，根据客户端发起的请求进行请求处理、向客户端下发指令，当然，根据系统的不同，所进行的逻辑处理也不相同。从而在系统进行逻辑处理过程中，对应根据所进行的逻辑处理生成日志，例如在接收客户端发起的请求之后，生成接收请求的日志，又比如在请求处理之后，生成请求处理结果的日志，在客户端登录成功之后，生成用户登录日志等。

系统中配置对应的日志存储单元，从而，在系统在运行的过程中所产生的日志存储于所配置的日志存储单元中，从而可以在日志存储单元中进行日志的更新监控，即急案快过年日志存储单元中是否存入新的日志，该新的日志即为所运行系统新产生的日志。

步骤s130，如果监控到日志更新，则通过神经网络模型进行所更新日志的识别，以确定所更新日志的日志类型。

针对系统所执行的逻辑运算不同，对应产生不同日志类型的日志，其中日志类型不同的日志，一方面，日志的格式不同，另一方面，日志中所包含的数据不同。举例来说，例如在某一系统中，会针对用户登录以及用户请求处理结果生成日志，其中，针对用户登录所生成的日志(称之为登录类型日志)为：

20180904-11:21：用户jenny登陆了系统

针对用户请求处理成功生成的日志(称之为请求处理成功类型日志)为：

20180904-14:00：用户amy发起了产品新建的请求，处理成功，响应时间2.2秒

针对上述的登录类型日志，其中包括的用户登录时间“20180904-11:21”，登录用户“jenny”，其中所包含的用户登录时间、登录用户即为该登录类型日志中所携带的数据。对于上述请求处理成功类型日志，包括用户发起请求的时间“20180904-14:00”，发起请求的用户“amy”，请求的类型“产品新建”，请求处理结果“成功”，系统的响应时间“2.2秒”，该日志中所包含的用户发起请求的时间、发起请求的用户、请求的类型、请求处理结果、系统响应的时间即为该日志所携带的数据。

由于不同日志类型的日志的格式不同，从而可以通过神经网络模型对所更新的日志进行识别，以确定所更新日志的日志类型，即采用深度学习的方式对所更新的日志进行识别。

神经网络模型在训练完成后，对所更新的日志进行特征提取，然后根据所提取的特征进行所更新日志的标签的预测，从而确定所更新日志的日志类型。

其中，所采用的神经网络模型可以是卷积神经网络模型、递归神经网络模型、循环神经网络模型，在此不进行具体限定。

步骤s150，在配置文件中进行所述日志类型所对应数据提取信息查找，所述数据提取信息指示了从所述日志类型的日志中进行数据提取的数据项。

其中，配置文件中包括为需要进行提取数据的日志类型所对应日志所配置的数据提取信息。所以配置文件可以包括一组或者多组数据提取信息，其中一组数据提取信息对应一日志类型。在每一日志类型所对应的数据提取信息中，配置了从该日志类型所对应的日志中需要提取的数据项。例如上述举例中的日志，如果从上述所举例的登录类型日志：

20180904-11:21：用户jenny登陆了系统进行登录时间和登录用户的提取，则登录时间和登录用户为需要进行数据提取的数据项，而在该日志中，登录时间“20180904-11:21”即为该登录时间数据项对应的数据，登录用户“jenny”即为该登录用户数据项所对应的数据。

步骤s170，根据所查找到的数据提取信息从所述所更新日志中提取所述数据项对应的数据。

每一日志类型所对应的数据提取信息指示了需要进行数据提取的一个或者多个数据项。

从而，根据所查找到的数据提取信息从所更新日志中进行数据项所对应数据的提取。从而实现了从日志进行数据的收集。

为了了解系统的使用情况，需要统计与系统运行相关的数据，例如系统处理成功量、系统处理失败量、系统针对每一请求的响应时间、系统登录用户量，甚至为了分析用户行为偏好，需要进一步统计用户登录时间、用户所发起请求的类型等。按照本公开的方法，不需要从存储系统运行结果的数据库中进行数据查找并获取，根据其他的数据源间接获得需要收集的数据。而通过日志更新监控、所更新日志的日志类型的识别、日志类型定义的数据提取信息的查找、根据数据提取信息从所更新的日志中提取对应的数据，从而实现了从日志中提取得到与系统运行相关的数据，实现了实时地收集系统运行的数据。而且采用深度学习的方式对日志类型进行识别，提高了识别效率和识别准确率，进一步保证了数据提取的效率和实时性。另外，由于系统的日志中包括了系统运行相关的全部信息，所以从日志中提取得到的数据相对于从数据库或者间接获得的方式，保证了所提取数据的完整性。

在一实施例中，如图3所示，步骤s130包括：

步骤s131，构建所更新日志的特征向量。

其中，特征向量是可以基于对所更新日志的文本构建的。由于不同日志类型的日志的格式是不相同的，所以针对不同日志类型的日志所构建的特征向量也是不同的。所构建的特征向量即体现了所更新日志的特征。

举例来说，例如上文提到的登录类型日志，比如

20180904-11:21：用户jenny登陆了系统和请求处理成功类型日志，比如

20180904-14:00：用户amy发起了产品新建的请求，处理成功，响应时间2.2秒在该两种日志类型的日志中所配置的关键词是不一样的，在登录类型的日志中，其中xxxxxxxx-xx：xx用户xx登录了系统，除x符号所占据的位置外，其他部分的内容是相同的。

对于请求处理成功类型日志中：yyyyyyyy-yy：用户yy发起了yyyy的请求，处理yy，响应时间yy秒，除y符号所占据的位置为，该日志类型的日志中其他部分是相同的。由上两个示例中可以看出，在每种日志类型的日志中，所配置的关键字，以及关键字所在的位置是固定的，例如在登录类型日志中，在具体的登录用户xx之后是“登录了系统”，从而在构建某一登录类型日志的特征向量时，根据该日志中的关键字以及关键字所在的位置进行特征向量的构建。即在所更新日志中进行关键字的查找，并获取关键字在所更新日志中的位置，从而构建得到所更新日志的特征向量。

进一步的，在步骤s131之前，还包括，对所更新日志进行分词，然后根据每个词所对应的编码构建所更新日志的特征向量。

步骤s132，对所述特征向量进行分类预测，得到所述所更新日志对应的类型标签。

步骤s133，根据所述类型标签确定所述所更新日志的日志类型。

在神经网络模型中，根据系统所生成日志，为每一日志类型的日志配置对应的类型标签。从而在步骤s132中，根据所构建的特征向量进行分类预测，即是预测该特征向量分别每一类型标签的概率，然后遍历预测为每一类型标签的概率，以概率最大值的类型标签作为所更新日志对应的类型标签。从而根据所得到的类型日志确定所更新日志的日志类型。

在一实施例中，如图4所示，步骤s130之前，还包括：

步骤s210，获取若干样本日志，以及获取对每一所述样本日志所标注的样本标签。

步骤s220，通过所述若干样本日志和所对应的类型标签进行所述神经网络模型的训练。

步骤s230，当所述神经网络模型收敛，结束所述神经网络模型的训练。

神经网络模型针对每一样本日志进行该样本日志的类型标签的预测，如果预测得到的类型标签与对该样本日志所标注的样本标签不一致，则调整神经网络模型的参数，直至所预测得到的类型标签与样本标签一致。对每一样本日志重复执行该过程。

训练一段时间之后，对神经网络模型进行预测精度测试，即将若干测试日志输入到神经网络模型中，神经网络模型预测得到每一测试日志的类型标签，并将每一测试日志的类型标签与对该测试日志所标注的类型标签进行对比，如果一致，则该神经网络模型对该测试日志的预测准确，如果不一致，则该神经网络模型对该测试日志的预测错误，从而统计得到神经网络模型的预测准确率(预测准确率＝预测准确的测试日志数量/测试日志总量)，如果所得到的预测准确率满足设定的准确率要求，则该训练之后的神经网络模型收敛，从而结束该神经网络模型的训练，并将结束训练的神经网络模型用于步骤s130中对所更新日志进行识别。

通过对神经网络模型进行训练，从而提高对更新日志的识别准确度。

在一实施例中，如图5所示，步骤s150之前，还包括：

步骤s310，获取与待进行数据提取的日志所对应日志类型相同的模板日志。

步骤s320，在所述模板日志中，以为所述数据项所配置的变量替换所述数据项所对应的数据，并根据替换后的所述模板日志配置得到所述日志类型所对应的数据提取信息。

步骤s330，由每一所述日志类型所对应的数据提取信息构成所述配置文件。

其中模板日志可以是该日志类型中的任意一个日志。对应于需要从多个日志类型的日志中提取数据的情况，则对应的，获取每一个日志类型的模板日志。

如上所描述，针对同一日志类型的不同日志，其日志的格式是相同的，其中是存在相同的部分的，例如日志中的关键字，以及关键字的位置是相同的，而不同的部分仅在于少数，例如需要进行数据提取的数据项所对应的数据。

在进行数据提取信息配置前，为每一需要提取的数据项配置变量，在模型日志中，以为数据项所配置的变量替换模板日志中该数据项对应的数据，并定义以变量的值作为输出，即得到该日志类型对应的数据提取信息。从而在按照该数据提取信息在该日志类型对应的日志中进行数据提取时，则从日志中提取得到变量所在位置的数据，即为数据项所对应的数据。

举例来说，例如需要从登陆类型日志中提取登陆时间和登录用户这两个数据项对应的数据，则配置得到针对该日志类型的数据提取信息：

metrics.login.pattern＝％timestamp％:用户％username％登陆了系统

metrics.login.index＝timestamp,username

其中，timestamp为对登录时间这一数据项配置的变量，username为对登录用户这一数据项所配置的变量。在数据提取信息的第一行即实现了在模板日志中，利用为数据项所配置的变量替换数据项所对应的数据。即相当于将该数据项对应的数据赋值为该数据项所配置的变量。数据提取信息中的第二行即定义了输出的变量，即将需要提取数据项所对应的变量作为输出变量，从而在按照数据提取信息进行数据提取时，则可以得到日志中该数据项所对应的数据。

由于配置文件可以是针对多种日志类型的日志所配置的，所以，分别针对每一日志类型配置得到数据提取信息，而每一日志类型所对应的数据提取信息即构成了配置文件。

进一步的，为了方便在配置文件中进行每一日志类型所对应数据提取信息的定位，为每一日志类型的数据提取信息配置相应的标识，并将数据提取信息的标识与日志类型创建关联，从而在步骤s130中通过识别确定所更新日志的日志类型后，可以直接查找与日志类型关联的数据提取信息标识，从而快速查找到该日志类型对应的数据提取信息。

在一实施例中，如图6所示，步骤s170之后，还包括：

步骤s410，进行所述日志类型所对应数据表的查找。

步骤s430，将所提取的所述数据写入所述数据表，以进行所述数据的存储。

针对不同日志类型的日志，所提取的数据是不同的，从而为每一日志类型配置对应的数据表，用于存储从该日志类型的日志中所提取得到的数据。并将数据写入到对应的数据表中，实现所提取数据地存储。从而进行分析处理时，直接根据数据表中所存储的数据进行分析，得到分析结果，例如得到用户登录量、系统处理成功量、系统处理失败量等信息。

在一实施例中，如图7所示，步骤s430包括:

步骤s431，在所述数据表中进行所述数据项所关联数据字段的定位。

步骤s432，将所述数据项所对应的数据写入为所述数据字段配置的表单元中。

针对每一日志类型的日志所提取的数据可以是一个数据项的数据，也可以是多个数据项的数据。从而针对所提取的数据是多个数据项的数据的情形，在数据表中为每个数据项配置数据字段，并将数据项与数据字段进行关联，从而在向数据表中写入所提取的数据时，进行数据项所关联的数据字段的定位查找，进而将该数据项的数据写入为数据字段所配置的表单元中。进一步的，在数据表中，数据的写入是按照逐行写入，即在数据表中的一行写入数据后，下一次所提取的数据即写入该行的下一行，以此类推。

下述为本公开装置实施例，可以用于执行本公开上述服务器200执行的从日志中提取数据的方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开从日志中提取数据的方法实施例。

图8是根据一示例性实施例示出的一种从日志中提取数据的装置的框图，该装置可以部署于图1所示的服务器200中，执行以上方法实施例中任一所示的从日志中提取数据的方法的全部或者部分步骤。如图8所示，该装置包括但不限于：监控模块110、识别模块130、查找模块150以及提取模块170，其中：

监控模块110，被配置为：对所运行的系统进行日志更新监控。

识别模块130，该模块与监控模块110相连，被配置为：如果监控到日志更新，则通过神经网络模型进行所更新日志的识别，以确定所更新日志的日志类型。

查找模块150，该模块与识别模块130相连，被配置为：在配置文件中进行所述日志类型所对应数据提取信息查找，所述数据提取信息指示了从所述日志类型的日志中进行数据提取的数据项。

提取模块170，该模块与查找模块150相连，被配置为：根据所查找到的数据提取信息从所述所更新日志中提取所述数据项对应的数据。

上述装置中各个模块的功能和作用的实现过程具体详见上述从日志中提取数据的方法中对应步骤的实现过程，在此不再赘述。

可以理解，这些模块可以通过硬件、软件、或二者结合来实现。当以硬件方式实现时，这些模块可以实施为一个或多个硬件模块，例如一个或多个专用集成电路。当以软件方式实现时，这些模块可以实施为在一个或多个处理器上执行的一个或多个计算机程序，例如图2的中央处理器270所执行的存储在存储器250中的程序。

在一实施例中，所述识别模块130包括：

特征向量构建单元，被配置为：构建所更新日志的特征向量。

分类预测单元，被配置为：对所述特征向量进行分类预测，得到所述所更新日志对应的类型标签。

日志类型确定单元，被配置为：根据所述类型标签确定所述所更新日志的日志类型。

上述装置中各个模块的功能和作用的实现过程具体详见图6以及上述xx方法中对应步骤的实现过程，在此不再赘述。

在一实施例中，所述从日志中提取数据的装置还包括如下的模块，在识别模块执行前执行对应步骤：

样本日志获取模块，被配置为：获取若干样本日志，以及获取对每一所述样本日志所标注的样本标签。

训练模块，被配置为：通过所述若干样本日志和所对应的类型标签进行所述神经网络模型的训练。

训练结束模块，被配置为：当所述神经网络模型收敛，结束所述神经网络模型的训练。

上述装置中各个模块的功能和作用的实现过程具体详见图6以及上述xx方法中对应步骤的实现过程，在此不再赘述。

在一实施例中，所述从日志中提取数据的装置还包括如下的模块，在查找模块执行前执行对应步骤：

模板日志获取模块，被配置为:获取与待进行数据提取的日志所对应日志类型相同的模板日志。

数据提取信息生成模块，被配置为：在所述模板日志中，以为所述数据项所配置的变量替换所述数据项所对应的数据，并根据替换后的所述模板日志配置得到所述日志类型所对应的数据提取信息。

配置文件生成模块，被配置为：由每一所述日志类型所对应的数据提取信息构成所述配置文件。

上述装置中各个模块的功能和作用的实现过程具体详见图6以及上述xx方法中对应步骤的实现过程，在此不再赘述。

在一实施例中，所述从日志中提取数据的装置还包括：

数据表查找模块，被配置为：进行所述日志类型所对应数据表的查找。

数据写入模块，被配置为：将所提取的所述数据写入所述数据表，以进行所述数据的存储。

上述装置中各个模块的功能和作用的实现过程具体详见图6以及上述xx方法中对应步骤的实现过程，在此不再赘述。

在一实施例中，所述数据写入模块包括：

数据字段定位单元，被配置为：在所述数据表中进行所述数据项所关联数据字段的定位。

写入单元，被配置为：将所述数据项所对应的数据写入为所述数据字段配置的表单元中。

上述装置中各个单元的功能和作用的实现过程具体详见图6以及上述xx方法中对应步骤的实现过程，在此不再赘述。

可选的，本公开还提供一种从日志中提取数据的装置，该装置可以用于图1所示的服务器200中，执行以上方法实施例中任一所示的从日志中提取数据的方法的全部或者部分步骤。如图9所示，从日志中提取数据的装置1000包括：

处理器1001；及

存储器1002，所述存储器1002上存储有计算机可读指令，所述计算机可读指令被所述处理器1001执行时实现以上方法实施中任一项所述的方法。

其中，可执行指令被处理器1001执行时实现以上任一实施例中的方法。其中可执行指令比如是计算机可读指令，在处理器1001执行时，处理器通过与存储器之间所连接的通信线/总线1003读取存储于存储器中的计算机可读指令。

该实施例中的装置的处理器执行操作的具体方式已经在有关该生产数据表标识的方法的实施例中执行了详细描述，此处将不做详细阐述说明。

在示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上任一方法实施例中的从日志中提取数据的方法。其中计算机可读存储介质例如包括计算机程序的存储器250，上述指令可由服务器200的中央处理器270执行以实现上述从日志中提取数据的方法。

该实施例中的处理器执行操作的具体方式已经在有关该从日志中提取数据的方法的实施例中执行了详细描述，此处将不做详细阐述说明。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。