Muy buenas,
Estoy empezando a manejarme con las RegEx pero tengo el último paso de un ejercicio atragantado.
Me dan un archivo de texto y de ahí tengo que extraer la información.
Extracto del archivo de texto:
"146.204.224.152 - feest6811 [21/Jun/2019:15:45:24 -0700] "POST /incentivize HTTP/1.1" 302 4622
197.109.77.178 - kertzmann3129 [21/Jun/2019:15:45:25 -0700] "DELETE /virtual/solutions/target/web+services HTTP/2.0" 203 26554
156.127.178.177 - okuneva5222 [21/Jun/2019:15:45:27 -0700] "DELETE /interactive/transparent/niches/revolutionize HTTP/1.1" 416 14701
100.32.205.59 - ortiz8891 [21/Jun/2019:15:45:28 -0700] "PATCH /architectures HTTP/1.0" 204 6048
168.95.156.240 - stark2413 [21/Jun/2019:15:45:31 -0700] "GET /engage HTTP/2.0" 201 9645
71.172.239.195 - dooley1853 [21/Jun/2019:15:45:32 -0700] "PUT /cutting-edge HTTP/2.0" 406 24498
180.95.121.94 - mohr6893 [21/Jun/2019:15:45:34 -0700] "PATCH /extensible/reinvent HTTP/1.1" 201 27330
144.23.247.108 - auer7552 [21/Jun/2019:15:45:35 -0700] "POST /extensible/infrastructures/one-to-one/enterprise HTTP/1.1" 100 22921
2.179.103.97 - lind8584 [21/Jun/2019:15:45:36 -0700] "POST /grow/front-end/e-commerce/robust HTTP/2.0" 304 14641
241.114.184.133 - tromp8355 [21/Jun/2019:15:45:37 -0700] "GET /redefine/orchestrate HTTP/1.0" 204 29059
224.188.38.4 - keebler1423 [21/Jun/2019:15:45:40 -0700] "PUT /orchestrate/out-of-the-box/unleash/syndicate HTTP/1.1" 404 28211
94.11.36.112 - klein8508 [21/Jun/2019:15:45:41 -0700] "POST /enhance/solutions/bricks-and-clicks HTTP/1.1" 404 24768"
Tengo que meter la información en un diccionario con 4 campos como en el siguiente ejemplo:
{"host":"146.204.224.152",
"user_name":"feest6811",
"time":"21/Jun/2019:15:45:24 -0700",
"request":"POST /incentivize HTTP/1.1"}
Lo que he hecho es crearme un patrón e ir sacando los campos por partes. Sé que hay expresiones mas simplificadas, pero como he comentado, estoy empezando.
patron = """
(?P<host>\d{1,3}[.]\d{1,3}[.]\d{1,3}[.]\d{1,3}) #host
(\s[-]\s) #separador
(?P<user_name>\w+|-) #user_name
(\s[[]) #separador
(?P<time>\d\d[/]\w+[/]\d\w+[:]\d\d[:]\d\d[:]\d\d\s[-]\d{4}) #time
([]]\s["]) #separador
(?P<request>[A-Z]\w+\s[/]\w+[/]) #request
"""
Ya por último aplico el patrón con un finditer
for item in re.finditer(patron, logdata2, re.VERBOSE):
print(item.groupdict())
El problema lo tengo justo en la última parte del patrón, en la parte de "request" ya que hay dos tipos de 'roots':
1.- ruta directa: POST /incentivize HTTP/1.1
2.- ruta "con varias carpetas": DELETE /virtual/solutions/target/web+services HTTP/2.0
Y ya por fin la pregunta, cómo puedo hacer para que la expresión regular me cumpla ambas condiciones? Si no estuvieran las "/" haría un \w+ y ya estaría casi pero al tener las barras me pierdo.
Un saludo, gracias y disculpar por la turra!
\w+
por[/+\-\w]+
? Obviamente se puede agregar cualquier otro caracter dentro de la clase de caracteres, el+
repite a toda la clase\S+
o similar, tal cual ya te había respondido CandidMoe en tu pregunta previa[/+\-\w]
coincide con 1 solo caracter, que puede ser/
,+
,-
, o cualquiera de los caracteres de\w
(es decir0-9_a-zA-Z
)...[/+\-\w]+
coincide con 1 o más de esos caracteres... Hay varios tutoriales listados en la info de la etiqueta regex es.stackoverflow.com/tags/regex/info