python如何用正則表達式提取字符串

Posted on by

用正則表達式提取字符串

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，正則表達式的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。

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 re
str = "a123b456b"
 
print(re.findall(r"a(.+?)b", str))
#輸出['123']
#?控制隻匹配0或1個,所以隻會輸出和最近的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標志. 加上re.S後, .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後,^$標志將會匹配每一行，默認^和$隻會匹配第一行.

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

用正則表達式提取字符串中的整數

直接上代碼吧~

import re
re.findall("\d+","asd1234")

總結

以上為個人經驗，希望能給大傢一個參考，也希望大傢多多支持WalkonNet。

推薦閱讀：