Question

我有一个大型日志文件，我想在两个字符串之间提取多行字符串：start和end。

以下是inputfile的示例：

start spam
start rubbish
start wait for it...
    profit!
here end
start garbage
start second match
win. end

应打印所需的解决方案：

start wait for it...
    profit!
here end
start second match
win. end

我尝试了一个简单的正则表达式，但它从start spam返回了所有内容。该怎么做？

编辑：有关实际计算复杂性的其他信息：

实际文件大小：2GB
出现＆＃39;开始＆＃39;：~12 M，均匀分布
在文件末尾附近出现＆＃39; end＆＃39;：~800。

Answer 1

这个正则表达式应该符合你的要求：

(start((?!start).)*?end)

使用re.findall方法和单行修饰符re.S来获取多行字符串中的所有内容：

re.findall('(start((?!start).)*?end)', text, re.S)

查看测试here。

Answer 2

使用代码 - 基本状态机：

open = False
tmp = []
for ln in fi:
    if 'start' in ln:
        if open:
            tmp = []
        else:
            open = True

    if open:
        tmp.append(ln)

    if 'end' in ln:
        open = False
        for x in tmp:
            print x
        tmp = []

Answer 3

这很棘手，因为默认情况下，re模块不会查看重叠匹配。较新版本的Python有一个新的regex模块，允许重叠匹配。

https://pypi.python.org/pypi/regex

你想要使用像

这样的东西

regex.findall(pattern, string, overlapped=True)

如果你坚持使用Python 2.x或其他没有regex的东西，那么它仍然可能带来一些诡计。一位才华横溢的人在这里解决了这个问题：

Python regex find all overlapping matches?

一旦你有所有可能的重叠（非贪婪，我想象）匹配，只需确定哪一个最短，哪个应该很容易。

Answer 4

您可以执行(?s)start.*?(?=end|start)(?:end)?，然后过滤掉未在＆＃34;结束＆＃34;中结束的所有内容。

找到两个字符串之间的最短匹配

4 个答案: