在python中使用正则表达式

我有两个巨大的日志文件，其中包含活动名称和子活动的列表，每个子活动都有一个数值。我需要编写一个脚本来自动化数据分析过程。我使用正则表达式通过逐字搜索为我的主要活动获取模式匹配。现在，我必须找到子活动并获得与之相关的数值

例如：“Out:Packet size直方图Bucket 5=10”我需要检查子活动Out:Packet size并获得直方图Bucket值5=10。下面列出了类似的子活动。在我的文字搜索技术中，我发现很难找到我的子活动的模式匹配。当模式匹配之前的整个文本时，我应该使用什么正则表达式模式来获取5=10值

PS：所有子活动都重复了文本“直方图桶”。我非常感谢你提出解决这个问题的建议。我刚刚开始学习正则表达式和python。

（1）如果您想使用一个正则表达式，可以使用：

known_activities = ['Out: Packet Sizes'] 
# you might have to use '\s' or '\ ' to protect the whitespaces.
activity_exprs = [a.replace(' ', '\s') for a in known_activities]

regexpr = r'('+'|'.join(activity_exprs)+r')\s*Histogram\sBucket\s(\d+=\d+)'
pattern = re.compile(regexpr)

match = pattern.match(input)
if match:
  print('Activity: '+match.group(1))
  print('Bucket:   '+match.group(2))

（2）如果您不想（或必须）匹配这些活动，您也可以简单地选择：

regexpr = r'(.*?)\s*Histogram\sBucket\s(\d+=\d+)'
pattern = re.compile(regexpr)

match = pattern.match(input)
if match:
  print('Activity: '+match.group(1))
  print('Bucket:   '+match.group(2))

（3）如果您想匹配活动，您可以在单独的步骤中进行匹配：

if match:
   activity = match.group(1)
   if activity in known_activities:
     print('Activity: '+activity )
     print('Bucket:   '+match.group(2))

编辑更多详细信息和说明：

items = ['a','b','c']
'|'.join(items)

产生

a | b | c

。在正则表达式中使用的

表示替代项，例如

r'a（b | c）a'

将匹配

'aba'

或

'aca'

。所以在（1）中，我基本上把所有已知的活动作为备选方案链接在一起。每个活动本身都必须是一个有效的正则表达式（这就是为什么任何“特殊”字符（例如空格）都应该正确转义的原因）。 可以简单地手工将所有备选方案混合到一个大型正则表达式中，但如果有多个活动，那么这将变得非常笨拙且容易出错

总而言之，您最好使用（2）和（3）或单独的正则表达式作为第二阶段

EDIT2 关于您的样品线，您还可以使用：

regexpr = r'([^\s]*?)\s([^\s]*?)\s([^\s]*?)\s(.*?)\s*Histogram\sBucket\s(\d+=\d+)'
pattern = re.compile(regexpr)

match = pattern.match(input)
if match:
  print('Date:     '+match.group(1))
  print('Time:     '+match.group(2))
  print('Activity: '+match.group(3))
  print('Sub:      '+match.group(4))
  print('Bucket:   '+match.group(5))

EDIT3

pattern.match（input）

希望直接在输入字符串的开头找到模式。这意味着

'a'

将匹配

'a'

或

'abc'

但不匹配

'ba'

。如果模式不是从开头开始，则必须在正则表达式前面加上

'.'.'

，以使用所需的任意字符

'\s'

匹配任何空白字符，

'[^\s]'

匹配任何非空白字符

---

如果您想了解更多关于正则表达式的知识，python在这方面非常好。

您看过regexp中的捕获组吗？没有。现在我来看看，我试过了，但是没有结果。我从文件中输入每一行作为pattern.match（输入）的输入。在这之前我还应该做些什么吗？你能在你的帖子中添加一个示例（行）吗？因为我没有任何东西可以对我的代码进行测试。我的不好。我纠正了这个问题。现在我得到了输出。如果我使用你的第二个脚本，它将打印整行。我只需要稍微调整一下。非常感谢@Peter:）其中的组的索引为1。我更正了我的帖子。09/12/14 17:13:29 Process_Name Out:Packet size Histogram Bucket 6=4我的文件中的行是这样的。当我使用（.*）模式时，它会将整行打印给我，而使用['Out:..']模式无法获得匹配。你能告诉我加入第一个脚本之前的['+'|'.]是什么吗？我想展示不同sub_活动的结果。脚本运行良好，我只需要刮去时间戳和主要活动。请参考上面提到的示例行。