首页 > 代码库 > 用python正则表达式提取字符串

用python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,这里讲一下提取的技巧,正则表达式的基础知识就不说了,有兴趣的可以看re的教程. 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:

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 restr = "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 restr = "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.Sre.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,^$标志将会匹配每一行,默认^$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 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

 

 

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

 

 

 

原文地址:http://ju.outofmemory.cn/entry/71121

用python正则表达式提取字符串