无法创建完全正确的正则表达式

Question

我有以下正则表达式（更新）： ([0-9]{2}/[a-zA-Z]{3}/[0-9]{4})(.+)(GET|POST)\s(http://|https://)([a-zA-Z-.][a-zA-Z0-9+\.[a-zA-Z0-9-.]+)(\.)([a-zA-Z0-9]+)([\.:/\s]).+?"\s200

我还从长服务器日志中摘录了以下几行（已更新）：

218.5.192.147 - - [14/Mar/2004:02:31:06 -0500] "GET http://searchanytime.com" 200 - "-" "-"
202.101.150.100 - - [12/Mar/2004:21:18:55 -0500] "GET http://nationalwholesalellc.com" 200 114887 "-" "-"

这些线路按计划工作：

220.173.17.142 - - [09/Mar/2004:23:32:13 -0500] "POST http://www.canada44.ca/ HTTP/1.1" 200 27095 "http://www.so123.com" "Mozilla/4.0 (compatible; MSIE 4.01; Windows 95)"
212.160.136.163 - - [10/Mar/2004:01:01:46 -0500] "GET http://www.6seconds.org/ HTTP/1.0" 200 51937 "http://www.helavasearch.com/cgi-bin/search.cgi?username=amundii&keywords=parenting" "Mozilla/4.0 (compatible; MSIE 4.0; Windows 98)"
218.72.85.59 - - [10/Mar/2004:01:05:13 -0500] "GET http://hpcgi1.nifty.com/trino/ProxyJ/prxjdg.cgi HTTP/1.1" 200 2221 "-" "Mozilla/4.0 (compatible; MSIE 5.01; Windows NT 5.0)"

在几乎所有情况下，第 7 组都是我的顶级域（com、cn、org 等）。但是，对于具有 .com" 而不是 .com HTTP/1.1" 的行，它不起作用并将第 7 组返回为 "searchanytime" 而不是 "c​​om"

我一直在使用 www.regexr.com

Answer 1

正则表达式

根据我所看到的你正在尝试做的事情，我想出了以下内容：

(\d{2}/\w{3}/\d{4})(.+)(GET|POST)\s(http://|https://)(\w+)?\.?([\w\d]+)\.(\w+).*?200

故障

我将分解正则表达式，以便如果它不是 100% 你正在寻找的东西，希望它会让你上路

组1

(\d{2}/\w{3}/\d{4})

捕获日志条目上的日期，格式为 DD/MMM/YYYY

组2

(.+)

捕捉这组和下一组之间的填充物。从您的第一个示例中，这将匹配 :02:31:06 -0500] " 注意：如果 POST 或 GET

组3

(GET|POST)

相当不言自明

填充物

\s

匹配一个我们不关心的空白字符

组4

(http://|https://)

也很直接

组5

我认为这就是你的正则表达式崩溃的地方。

(\w+)?\.?

这将匹配日志条目的 www 或 hpcgi1 部分。注意 ?使该组可选的字符。这适用于

[14/Mar/2004:02:31:06 -0500] "GET http://searchanytime.com" 200 - "-" "-"

组6

([\w\d]+)

中间部分（即canada44，nifty）或第一部分（即searchanytime）

组7

([\w\d]+)

结束部分（即 com、org）

填充物

.*?

“com”、“org”等和 200 之间的任何字符（尽可能少）。如果您想引用其中的任何一个，您应该捕获它。

结束

200

匹配 200。注意，因为 ?在上面的填充中，这将是第 7 组之后比赛遇到的前 200 场比赛

免责声明

除了在线regex tool 之外，我还没有在您的日志消息上实际测试过这个正则表达式。 我不确定您想要/需要的分组，但希望这会有所帮助。