前言

正则表达式的基础知识就不说了,提取一般分两种情况,一种是提取在文本中提取单个位置的字符串,另一种是提取连续多个位置的字符串。日志分析会遇到这种情况,下面我会分别讲一下对应的方法。

一、单个位置的字符串提取

这种情况我们可以使用(.+?)这个正则表达式来提取。 举例,一个字符串"a123b",如果我们想提取ab之间的值123,可以使用findall配合正则表达式,这样会返回一个包含所以符合情况的list。

代码如下:

import re
str = "a123b"
print re.findall(r "a(.+?)b" , str ) #
输出[ '123' ]

1.1贪婪和非贪婪匹配

如果我们有一个字符串”a123b456b”,如果我们想匹配a和最后一个b之间的所有值而非a和第一个出现的b之间的值,可以用?来控制正则贪婪和非贪婪匹配的情况。

代码如下:

import re
str = "a123b456b"
 
print re.findall(r "a(.+?)b" , str )
#输出['123']#?控制只匹配0或1个,所以只会输出和最近的b之间的匹配情况
 
print re.findall(r "a(.+)b" , str )
#输出['123b456']
 
print re.findall(r "a(.*)b" , str )
#输出['123b456']

1.2多行匹配

如果你要多行匹配,那么需要加上re.S和re.M标志. 加上re.S后。将会匹配换行符,默认.不会匹配换行符。

代码如下:

str = "a23b\na34b"
 
re.findall(r "a(\d+)b.+a(\d+)b" , str )
#输出[]
#因为不能处理str中间有\n换行的情况
 
re.findall(r "a(\d+)b.+a(\d+)b" , str , re.S)
#s输出[('23', '34')]

加上re.M后,^$标志将会匹配每一行,默认^和$只会匹配第一行。

代码如下:

str = "a23b\na34b"
 
re.findall(r "^a(\d+)b" , str )
#输出['23']
 
re.findall(r "^a(\d+)b" , str , re.M)
#输出['23', '34']

二、连续多个位置的字符串提取

这种情况我们可以使用(?P<name>…)这个正则表达式来提取。举例,如果我们有一行webserver的access日志:'192.168.0.1 25/Oct/2012:14:46:34 "GET /api HTTP/1.1" 200 44 "http://abc.com/search" "Mozilla/5.0"',我们想提取这行日志里面所有的内容,可以写多个(?P<name>expr)来提取,其中name可以更改为你为该位置字符串命名的变量,expr改成提取位置的正则即可。

代码如下:

import re
line = ' 192.168 . 0.1 25 / Oct / 2012 : 14 : 46 : 34 "GET /api HTTP/1.1" 200 44 "http://abc.com/search"
"Mozilla/5.0" '
reg = re. compile ('^(?P<remote_ip>[^ ] * ) (?P<date>[^ ] * ) "(?P<request>[^" ] * )"
(?P<status>[^ ] * ) (?P<size>[^ ] * ) "(?P<referrer>[^" ] * ) " " (?P<user_agent>[^ "]*)" ')
regMatch = reg.match(line)
linebits = regMatch.groupdict()
print linebits
for k, v in linebits.items() :
  print k + ": " + v

输出的结果为:

status: 200
referrer:
request: GET /api HTTP/1.1
user_agent: Mozilla/5.0
date: 25/Oct/2012:14:46:34size: 44
remote_ip: 192.168.0.1

总结

以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作能带来一定的帮助,如果有疑问大家可以留言交流。