Python 在Regex中查看Web服务器日志？ 解释

在我的日志中，我有许多这样的行：

"[14/Oct/2014:13:02:15 +0200]","70","-","192.168.1.1","/API-1.2/testeo_keyword/vcn,ge/channel,rateber/site,bla_.de/keyword,null/px2.js","?ts=0.3054514767395726", "200","+", "http://www.bla.de/Arzt/Baden-W%C3%BCrttemberg/328-Heidelberg/Neurochirurgie/","Mozilla/4.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50527; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; InfoPath.2; MS-RTC LM 8)","-"0/hurlau,superman;tile,4;status,0/pxl.js","?ts=0.3001205851715877", "200","+", "http://www.super.de/news/audio-video/carl-zeiss-praesentiert-3d-brille-100-euro-742545.html","Mozilla/5.0 (Windows NT 6.1; WOW64; rv:32.0) Gecko/20100101 Firefox/32.0","-"

捕获什么？ 从n-2nd字段（带有URL的字段）中，我需要捕获域名，对于每个

domain name=super.de

，我需要收集整个URL

我有什么？ 我有一个正则表达式：我设法捕获了我所需要的一切，但我这样做是正确的吗（（匹配）匹配）。稍后，我需要在domainname=“super.de”所在的任何地方收集整个URL。此外，www是可选的。注意：第一个URL（www.bla.de）需要忽略

((?:www\.)?super\.de[^"]*)

您可以尝试使用

super.de

作为域获取url。请参阅演示。使用

re.findall

或

re.search

---

我认为可以简化复杂的正则表达式，只需查看您捕获每个域的URL的需求

name=super.de

：

https?:\/\/(?:www\.)?super.de[^"]+(?!.*?super\.de)

---

几乎完美，但如果超级发生在n-2组以外的其他地方，例如第5组（它发生），这也会捕获整个错误组。我只需要它来匹配n-2nd组，其中n=最后一组。@sirbenji如果这能与regex101.com/r/cU3sY9/2一起使用，那就太好了。如果可能的话，我还需要它比前瞻更有效，因为我需要抓取千兆字节。我已经为您的示例提供了一个工作演示，即如果您想避免前瞻的话然后我认为为了提高效率，最好通过逗号分割来预处理数据，并且只在结果数组的特定元素上应用非前瞻性正则表达式。好的，如果我们在开始和结束处添加两个parantesse，您的示例将起作用-简化正则表达式的另一种方法是：

^（？：[^”]*“[^”]*”[^”]*{14}”[^”]*”（https？：\/\/（？：www\）？super.de[^“]+）

请参阅此演示：