python如何用正規表示式提取字串

2023-03-02 18:00:07

用正規表示式提取字串

在日常工作中經常遇見在文字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，正規表示式的提取一般分兩種情況，一種是提取在文字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。

紀錄檔分析會遇到這種情況。

1. 單個位置的字串提取

這種情況我們可以使用(.+?)這個正規表示式來提取. 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配合正規表示式,這樣會返回一個包含所以符合情況的list,程式碼如下:

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. 程式碼如下:

import re
str = "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, .將會匹配換行符，預設.不會匹配換行符. 程式碼如下:

str = "a23bna34b"
 
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.

程式碼如下：

str = "a23bna34b"
 
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>…)這個正規表示式來提取.

舉例：

如果我們有一行webserver的access紀錄檔:'192.168.0.1 25/Oct/2012:14:46:34 "GET /api HTTP/1.1" 200 44 "http://abc.com/search" "Mozilla/5.0"',我們想提取這行紀錄檔裡面所有的內容,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.

程式碼如下：

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：