用正则表达式提取字符串
在日常工作中经常遇见在文本中提取特定位置字符串的需求。
python的正则性能好，很适合做这类字符串的提取，正则表达式的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。
1. 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]
2. 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: 200referrer: request: GET /api HTTP/1.1user_agent: Mozilla/5.0date: 25/Oct/2012:14:46:34size: 44remote_ip: 192.168.0.1
用正则表达式提取字符串中的整数
直接上代码吧~
import re
re
.findall
(“\d+”,“asd1234”)
总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持码农网。
