统计接口平均耗时和p99需先确认日志中存在结构化耗时字段（如nginx的$request_time、spring boot的elapsedms），再通过命令行快速验证或elk/prometheus等工具做稳定聚合，同时注意排除异常请求、按接口粒度分组、对齐时间窗口。
统计接口访问的平均耗时和 P99（即 99% 的请求耗时低于该值），核心在于从日志中准确提取耗时字段，并做数值聚合。关键不是“有没有日志”，而是“日志里有没有结构化耗时字段”以及“能否高效清洗和计算”。
确认日志中存在可提取的耗时字段
多数现代服务（如 Nginx、Spring Boot、APISIX、OpenResty）会在日志中记录响应时间，但格式各异：
- Nginx 常用
$request_time（单位：秒，精度毫秒级，如0.123）或$upstream_response_time - Spring Boot + Logback 可通过 %X{elapsed} 或自定义 MDC 字段输出毫秒数（如
"elapsedMs":147） - 务必检查单条日志样例，确认耗时是纯数字（推荐毫秒整数或秒浮点），避免混入单位、括号或缺失值
用命令行快速验证与粗算（适合临时分析）
假设日志每行含毫秒耗时，如 ... "elapsedMs":286 ...，可用以下组合快速提取并计算：
- 提取所有耗时：
grep -o '"elapsedMs":[0-9]\+' access.log | cut -d: -f2 - 算平均值：
... | awk '{sum += $1; n++} END {printf "%.2f ms\n", sum/n}' - 算 P99（需排序取第 99 百分位）：
... | sort -n | awk -v n=$(wc -l) 'NR == int(0.99 * n) {print $1}'（注意：实际需处理边界，更稳可用awk脚本或datamash）
用专业工具做稳定统计（推荐生产环境）
手动脚本难应对大日志量、多服务、实时性要求。建议：
-
ELK Stack（Elasticsearch + Logstash + Kibana）：Logstash 解析耗时字段为 numeric 类型，ES 用
avg和percentiles聚合（P99 对应"percents": [99]），Kibana 可视化看板一键展示 -
Prometheus + Grafana：不直接解析日志，而是让应用暴露
http_request_duration_seconds_bucket等直方图指标，Grafana 用histogram_quantile(0.99, sum(rate(http_request_duration_seconds_bucket[1h])) by (le))算 P99 -
ClickHouse / Loki + Promtail + Grafana：Loki 支持 LogQL 查询（
rate({job="api"} |~ `"elapsedMs":[0-9]+` [1h])），但 P99 需配合quantile_over_time或导出后计算；ClickHouse 更适合原始日志建表后用quantile(0.99)(elapsed_ms)
注意事项：避免常见偏差
统计结果失真往往不是计算错，而是数据源或口径问题：
- 排除超时/异常请求：如
5xx或耗时 >30s 的请求是否参与统计？业务上通常要单独看，而非混入 P99 - 区分接口粒度：确保按
path或endpoint分组再算，否则 /login 和 /health 的耗时会互相掩盖 - 时间窗口对齐：P99 对窗口敏感，1 分钟窗口和 1 小时窗口结果差异可能很大，需明确业务 SLA 对应的时间粒度（如“近 5 分钟 P99
- 采样影响：若日志已采样（如只记录 1% 请求），P99 会严重低估，务必确认是否全量落盘
