⽤python正则表达式提取字符串
转⾃ wwwblogs/rj81/p/5933838.html
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 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之间的匹配情况正则化匹配26个字母python
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 "abc/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 "abc/search"
"Mozilla/5.0"'
reg = repile('^(?P<remote_ip>[^ ]*) (?P<date>[^ ]*) "(?P<request>[^"]*)"
(?P<status>[^ ]*) (?P<size>[^ ]*) "(?P<referrer>[^"]*)" "(?P<user_agent>[^"]*)"')
regMatch = reg.match(line)
linebits = updict()
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

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。