文本之间匹配的正则表达式

Question

我有一个文件，其中包含从apache http日志自动生成的统计数据。

我真的在如何匹配两段文字之间的纠缠。 这是我拥有的统计文件的一部分：

jpg 6476 224523785 0 0
Unknown 31200 248731421 0 0
gif 197 408771 0 0
END_FILETYPES

# OS ID - Hits
BEGIN_OS 12
linuxandroid 1034
winlong 752
winxp 1320
win2008 204250
END_OS

# Browser ID - Hits
BEGIN_BROWSER 79
mnuxandroid 1034
winlong 752
winxp 1320

我正在尝试编写一个正则表达式，该正则表达式仅在标签BEGIN_OS 12和END_OS之间搜索。

例如，我想创建一个包含操作系统和热门歌曲的PHP数组（我知道实际的数组实际上并不完全像这样，但是只要我有此数据，就可以了）：

array(
   [0] => array(
      [0] => linuxandroid
      [1] => winlong
      [2] => winxp
      [3] => win2008
   )
   [1] => array(
      [0] => 1034
      [1] => 752
      [2] => 1320
      [3] => 204250
   )
)

我已经尝试使用gskinner regex测试器测试正则表达式好几个小时，但是regex远非我的强项。

我会发布到目前为止的内容，但是我尝试了加载，而最接近的是：

^[BEGIN_OS\s12]+([a-zA-Z0-9]+)\s([0-9]+)

可悲的是！

任何帮助将不胜感激，即使它是“无法完成”。

Answer 1

正则表达式可能不是这项工作的最佳工具。 您可以使用正则表达式获取所需的子字符串，然后使用PHP的字符串操作函数进行进一步处理。

$string = preg_replace('/^.*BEGIN_OS \d+\s*(.*?)\s*END_OS.*/s', '$1', $text);

foreach (explode(PHP_EOL, $string) as $line) {
    list($key, $value) = explode(' ', $line);
    $result[$key] = $value;
}

print_r($result);

应该给您以下输出：

Array
(
    [linuxandroid] => 1034
    [winlong] => 752
    [winxp] => 1320
    [win2008] => 204250
)

Answer 2

您可以尝试以下方法：

/BEGIN_OS 12\s(?:([\w\d]+)\s([\d]+\s))*END_OS/gm

您必须仍然为您的结果解析匹配，您还可以使用以下方法简化匹配：

/BEGIN_OS 12([\s\S]*)END_OS/gm

然后，只需解析第一组（它们之间的文本），然后在'\\n' ' '上分割即可获得所需的部分。

编辑

带有评论的正则表达式：

/BEGIN_OS 12          // Match "BEGIN_OS 12" exactly
 \s                   // Match a whitespace character after
 (?:                  // Begin a non-capturing group
   ([\w\d]+)          // Match any word or digit character, at least 1 or more
   \s                 // Match a whitespace character
   ([\d]+\s)          // Match a digit character, at least one or more
 )*                   // End non-capturing group, repeate group 0 or more times           
 END_OS               // Match "END_OS" exactly
/gm                   // global search (g) and multiline (m)

和简单的版本：

/BEGIN_OS 12          // Match "BEGIN_OS 12" exactly
  (                   // Begin group
    [\s\S]*           // Match any whitespace/non-whitespace character (works like the '.' but captures newlines
  )                   // End group
  END_OS              // Match "END_OS" exactly
/gm                   // global search (g) and multiline (m)

次要编辑

您的尝试：

^[BEGIN_OS\s12]+([a-zA-Z0-9]+)\s([0-9]+)

不会给您您期望的结果。 如果您将其拆开：

^                     // Match the start of a line, without 'm' this means the beginning of the string.
[BEGIN_OS\s12]+       // This means, match a character that is any [B, E, G, I, N, _, O, S, \s, 1, 2] 
                      // where there is at least 1 or more. While this matches "BEGIN_OS 12" 
                      // it also matches any other lines that contains a combination of those 
                      // characters or just a line of whitespace thanks to \s).
([a-zA-Z0-9]+)        // This should match the part you expect, but potentially not with the previous rules in place.
\s
([0-9]+)              // This is the same as [\d]+ or \d+ but should match what you expect (again, potentially not with the first rule)