前言
正则表达式的基础知识就不说了,有兴趣的可以点击这里，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：
|
1
2
3
4
|
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：
|
1
2
3
4
5
6
7
8
9
10
11
|
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：
|
1
2
3
4
5
6
7
8
|
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：
|
1
2
3
4
5
6
7
|
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：
|
1
2
3
4
5
6
7
8
9
10
|
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：
|
1
2
3
4
5
6
|
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。