python的正則提取技巧__python

轉自：http://ju.outofmemory.cn/entry/71121

用python正則提取字串的方法

在日常工作中經常遇見在文本中提取特定位置字串的需求.python的正則效能好,很適合做這類字串的提取,這裡講一下提取的技巧,Regex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串,另一種是提取連續多個位置的字串.日誌分析會遇到這種情況.下面我會分別講一下對應的方法: 1. 單個位置的字串提取

這種情況我們可以使用(.+?)這個Regex來提取.舉例,一個字串"a123b",如果我們想提取ab之間的值123,可以使用findall配合Regex,這樣會返回一個包含所以符合情況的list,代碼如下:

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

1.1貪婪和非貪婪匹配

如果我們有一個字串”a123b456b”,如果我們想匹配a和最後一個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 restr = "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，那麼需要加上re.S和re.M標誌.加上re.S後, .將會匹配分行符號，預設.不會匹配分行符號.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後,^$標誌將會匹配每一行，預設^和$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. 連續多個位置的字串提取

這種情況我們可以使用(?P<name>…)這個Regex來提取.舉例,如果我們有一行webserver的access日誌:'192.168.0.1 25/Oct/2012:14:46:34 "GET /api HTTP/1.1" 200 44 "http://abc.com/search" "Mozilla/5.0"',我們想提取這行日誌裡面所有的內容,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串命名的變數,expr改成提取位置的正則即可.代碼如下:

import reline ='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 linebitsfor k, v in linebits.items() :    print k+": "+v

輸出的結果為:

status: 200referrer: http://abc.com/searchrequest: GET /api HTTP/1.1user_agent: Mozilla/5.0date: 25/Oct/2012:14:46:34size: 44remote_ip: 192.168.0.1