Question

美好的一天，

我之前发布了类似的内容，所以如果再次遇到这种情况，我会道歉。这一次我将更具体，并给你直接的例子，并准确描绘我想要的。基本上，我需要使原始数据看起来更漂亮：

str = '2011-06-1618:53:41222.222.2.22-somedomain.hi.comfw12192.10.215.11GET/965874/index.xls22233665588-0Mozilla/4.0 (compatible; MSI 5.5; Windows NT 5.1)'--55656-0.55-5874/659874540--'



more strings:
'2011-06-2150:36:1292.249.2.105-somedomain.hi.comfw12192.10.215.11GET/965874/ten.xls22233665588-0Mozilla/4.0 (compatible; MSI 6.0; Windows NT 5.1)'--55656-0.55-5874/659874540--'
'2011-01-1650:23:45123.215.2.215-somedomain.hi.comfw12192.10.215.11GET/123458/five.xls22233665588-0Mozilla/4.0 (compatible; MSI 7.0; Windows NT 5.1)'--55656-0.55-5874/659874540--'
'2011-02-1618:16:54129.25.2.119-thisdomain.hi.comfw12192.10.215.11GET/984745/two.xls22233665588-0Mozilla/4.0 (compatible; MSI 7.0; Windows NT 5.1)'--55656-0.55-5874/659874540--'
'2011-08-0525:22:16164.32.2.111-yourdomain.hi.comfw12192.10.215.11GET/85472/one.xls22233665588-0Mozilla/4.0 (compatible; MSI 8.0; Windows NT 5.1)'--55656-0.55-5874/659874540--'

在调试人员中：

import re
str = '2011-06-1618:53:41222.222.2.22-somedomain.hi.comfw12192.10.215.11GET/965874/index.xls22233665588-0Mozilla/4.0 (compatible; MSI 5.5; Windows NT 5.1)'--55656-0.55-5874/659874540--'
domain = re.compile('^.*?(?=([fw].+?))')
domain.search(str).group()
'2011-06-1618:53:41222.222.2.22-somedomain.hi.com'
domain = domain.search(str).group()

因此，为了获得域名，我需要在域名之前删除破折号（ - ）之前的所有内容。我可以用这个RE来寻找那个值（[0-9] {3,5}）。（[0-9] {1,3}。）{2} [0-9] {1,3} [ - ]但是我不知道怎么说，找到那个值并在它之后返回一切，但是在fw12之前。

在一天结束时，我希望这些字符串看起来像这样，使用逗号（，）作为分隔符：

2011-08-05,25：22：16,164.32.2.111，yourdomain.hi.com，GET / 85472 / one.xls，Mozilla / 4.0（兼容; MSI 8.0; Windows NT 5.1）

Answer 1

首选但可能不可能的方法

这看起来像（如MatToufoutu所指出的）Apache日志文件。如果事实确实如此，那么您可以使用apachelog或类似的东西来处理它。您将需要Apache的httpd.conf / apache2.conf文件字符串作为格式化程序。由于我没有你的，我只使用了apachelog文档中提供的那个：

import apachelog

format = r'%h %l %u %t \"%r\" %>s %b \"%{Referer}i\" \"%{User-Agent}i\" '
log_line = """212.74.15.68 - - [23/Jan/2004:11:36:20 +0000] "GET /images/previous.png HTTP/1.1" 200 2607 "http://peterhi.dyndns.org/bandwidth/index.html" "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.2) Gecko/20021202" """

p = apachelog.parser(format)
data = p.parse(log_line)

然后，您可以访问data的属性

来访问日志文件的各个部分

print "%s, %s, %s, %s, %s" % (data['%t'], data['%h'], data['%{Referer}i'], data['%r'], data['%{User-Agent}i'])

获取输出

[23 / Jan / 2004：11：36：20 +0000]，212.74.15.68，http://peterhi.dyndns.org/bandwidth/index.html，GET /images/previous.png HTTP / 1.1

使用正则表达式

或者，您可以采用初始方法并使用正则表达式来解析该行。以下应该有效。他们分解为命名组以便更容易A）阅读B）编辑C）理解：

import re


your_string = "2011-06-1618:53:41222.222.2.22-somedomain.hi.comfw12192.10.215.11GET/965874/index.xls22233665588-0Mozilla/4.0 (compatible; MSI 5.5; Windows NT 5.1)'--55656-0.55-5874/659874540--"

pattern = re.compile(r'(?P<date>\d{4}(:?-\d{2}){2})(?P<time>(:?\d{2}:?){3})(?P<ip_address1>(:?\d{1,3}\.?){4})-(?P<domain>[\w\.]+)fw12(?P<ip_address2>(:?\d{1,3}\.?){4})(?P<get>(:?GET/(:?\d+/)).*?)\d+-0(?P<user_agent>.*?)\'--.*$')
result = pattern.match(your_string)

然后，您可以使用result.group('groupname')访问结果，例如：

print "%s %s, %s, %s, %s, %s" % (result.group('date'), result.group('time'), result.group('ip_address1'), result.group('domain'), result.group('get'), result.group('user_agent'))

将返回：

2011-06-16 18：53：41,222.222.2.22，somedomain.hi.com，GET / 965874 / index.xls，Mozilla / 4.0（兼容; MSI 5.5; Windows NT 5.1）

由于此方法处理正则表达式，我总是想添加我的小免责声明：

您正在解析数据。它取决于您和您对需要多少耐受性，卫生和验证的判断。您可能需要修改上述内容以更好地满足您的要求，并使用未包含在样本中的真实数据。确保您了解正则表达式正在执行的操作，以便您了解此代码的工作方式。

Answer 2

要分隔每个字段，我建议你使用这个模式（然后你用你想要的分隔符加入匹配）：

(\d{4}-\d{2}-\d{2})(\d{2}:\d{2}:\d{2})(\d+(?:\.\d+){3})-([a-z.]+)fw\d+(?:\.\d+){3}(GET\/\d+\/[a-z.]+)[-\d]+([^'-]+)

Python和正则表达式

2 个答案: