python中使用正则表达式提取字符串的方法

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: 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