与 re.DOTALL 的非贪婪换行符匹配答案

【问题标题】：Non-greedy newline character match with re.DOTALL与 re.DOTALL 的非贪婪换行符匹配
【发布时间】：2016-01-19 10:51:11
【问题描述】：

我正在尝试在 Python 中重现此正则表达式：https://regex101.com/r/tP1bS4/2

entry 的样本数据如下：

[ 10.0.7.58/54648 -> 31.221.26.40/80 (http response) ]-
|
| server   = 31.221.26.40/80
| app      = ???
| lang     = none
| params   = anonymous
| raw_sig  = 1:Content-Type,?Last-Modified,?Cache-Control,?Expires,Date,Connection=[keep-alive]:Keep-Alive,Accept-Ranges:
|

基本上我想得到一组包含两个元素的组：服务器 IP 和端口，从第三行开始。

这是我的 Python 尝试；

server = re.findall( '\| server[ \s]+= (.*)\/(.*)\n', entry, re.DOTALL)
print server

这给了我这个server 组：

[('31.221.26.40', '80\n| app      = ???\n| lang     = none\n| params   = anonymous\n| raw_sig  = 1:Content-Type,?Last-Modified,?Cache-Control,?Expires,Date,Connection=[keep-alive]:Keep-Alive,Accept-Ranges:\n|')]

如您所见，\n 上没有拆分。预期结果是：

[('31.221.26.40', '80')]

【问题讨论】：

如果您删除 DOTALL，它应该可以按预期工作。
@WiktorStribiżew 谢谢，它确实有效，但为什么会这样？
因为带有 DOTALL 的 . 匹配换行符。无论如何，您的模式效率低下。应该是server = re.findall(r'\| server\s+= ([^/]*)/(\d+)', entry)。
@WiktorStribiżew 谢谢！我实际上已经用\| server[ \s]+= (.*)\/(.*?)\n 解决了这个问题，现在我知道了，尽管在这种情况下你的也可以。
那个模式又很糟糕……不过你觉得够用就可以用。

标签： python regex

【解决方案1】：

让我澄清一些事情。 re.DOTALL 修饰符使 . 符号匹配 any 符号，包括换行符。带有 DOTALL 的 .* 子模式匹配字符串直到结尾。

如果你使用'\| server[ \s]+= (.*)\/(.*)\n'，第一个.*匹配到最后一个/，第二个.*匹配到最后一个\n，因为它是贪婪的（也就是说，引擎会抓取所有的字符串的其余部分，然后回溯以适应后续子模式）。

由于您的数据位于 1 行，您不想让. 匹配换行符。因此，解决问题的最简单方法是使用

server = re.findall(r'\|\s*server\s*=\s*(.*?)/(.*)', entry)

见regex demo

但是，点匹配只有在我们不知道会出现什么字符时才有用。您可以使用字符类增强正则表达式：

server = re.findall(r'\|\s*server\s*=\s*([^\s/]+)/(\d+)', entry)

另一个regex demo（注意效率提高了x2倍）

([^\s/]+) 匹配除空格以外的 1 个或多个字符，/ 和 \d+ 匹配 1 个或多个数字。

【讨论】：

太棒了！- 认识你需要时间，因为你有了新名字！
@SIslam：也一样，只是另一种音译方案+名字。

【解决方案2】：

我会尝试-

re.findall(r'\| server[ \s]+= (.*)\/([^\/\W]*)',string)

Demo

空间标准化\|\s*server\s*=\s*([^/]*?)/([^/\W]*)更健壮

【讨论】：

【解决方案3】：

没有正则表达式：

import io

data = '''[ 10.0.7.58/54648 -> 31.221.26.40/80 (http response) ]-
|
| server   = 31.221.26.40/80
| app      = ???
| lang     = none
| params   = anonymous
| raw_sig  = 1:Content-Type,?Last-Modified,?Cache-Control,?Expires,Date,Connection=[keep-alive]:Keep-Alive,Accept-Ranges:
|'''


for line in io.StringIO(data):
    if line.startswith('| server '):
        print(line[13:].rstrip().split('/'))

如果你不知道“服务器”后面的空格或制表符的确切数量，可以这样更改：

if line.startswith('| server'):
    print(line.split()[3].split('/'))

【讨论】：