轉自 https://www.cnblogs.com/rj81/p/5933838.html
在日常工作中經常遇見在文本中提取特定位置字符串的需求.python的正則性能好,很適合做這類字符串的提取,這里講一下提取的技巧,正則表達式的基礎知識就不說了,有興趣的可以看re的教程. 提取一般分兩種情況,一種是提取在文本中提取單個位置的字符串,另一種是提取連續多個位置的字符串.日志分析會遇到這種情況.下面我會分別講一下對應的方法:
1. 單個位置的字符串提取
這種情況我們可以使用(.+?)這個正則表達式來提取. 舉例,一個字符串"a123b",如果我們想提取ab之間的值123,可以使用findall配合正則表達式,這樣會返回一個包含所以符合情況的list,代碼如下:
import re str = "a123b" print re.findall(r"a(.+?)b",str)# 輸出['123']
1.1貪婪和非貪婪匹配
如果我們有一個字符串”a123b456b”,如果我們想匹配a和最后一個b之間的所有值而非a和第一個出現的b之間的值,可以用?來控制正則貪婪和非貪婪匹配的情況. 代碼如下:
import re str = "a123b456b" print re.findall(r"a(.+?)b", str) #輸出['123']#?控制只匹配0或1個,所以只會輸出和最近的b之間的匹配情況 print re.findall(r"a(.+)b", str) #輸出['123b456'] print re.findall(r"a(.*)b", str) #輸出['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標志. 加上re.S后, .將會匹配換行符，默認.不會匹配換行符. 代碼如下:
str = "a23b\na34b"
re.findall(r"a(\d+)b.+a(\d+)b", str)
#輸出[]
#因為不能處理str中間有\n換行的情況
re.findall(r"a(\d+)b.+a(\d+)b", str, re.S)
#s輸出[('23', '34')]
加上re.M后,^$標志將會匹配每一行，默認^和$只會匹配第一行. 代碼如下:
str = "a23b\na34b" re.findall(r"^a(\d+)b", str) #輸出['23'] re.findall(r"^a(\d+)b", str, re.M) #輸出['23', '34']
2. 連續多個位置的字符串提取
這種情況我們可以使用(?P<name>…)這個正則表達式來提取. 舉例,如果我們有一行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"',我們想提取這行日志里面所有的內容,可以寫多個(?P<name>expr)來提取,其中name可以更改為你為該位置字符串命名的變量,expr改成提取位置的正則即可. 代碼如下:
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
輸出的結果為:
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