RegExp：删除字符串中可以包含其他句点的最后一个句点（挖掘输出）

Question

我试图解析linux dig命令的输出，并使用正则表达式一次完成几项操作。

假设我挖了主机mail.yahoo.com ：

/usr/bin/dig +nocomments +noquestion \
    +noauthority +noadditional +nostats +nocmd \
    mail.yahoo.com A

该命令输出：

mail.yahoo.com.                   0  IN  CNAME  login.yahoo.com.
login.yahoo.com.                  0  IN  CNAME  ats.login.lgg1.b.yahoo.com.
ats.login.lgg1.b.yahoo.com.       0  IN  CNAME  ats.member.g02.yahoodns.net.
ats.member.g02.yahoodns.net.      0  IN  CNAME  any-ats.member.a02.yahoodns.net.
any-ats.member.a02.yahoodns.net. 12  IN  A      98.139.21.169

我想要找到的所有<host> ， <record_type>和<resolved_name>部分都没有最后一个句号，而只使用一个正则表达式

对于带有mail.yahoo.com特定示例，它将为：

[
    ('mail.yahoo.com', 'CNAME', 'login.yahoo.com'),
    ('login.yahoo.com', 'CNAME', 'ats.login.lgg1.b.yahoo.com'),
    ('ats.login.lgg1.b.yahoo.com', 'CNAME', 'ats.member.g02.yahoodns.net'),
    ('ats.member.g02.yahoodns.net', 'CNAME', 'any-ats.member.a02.yahoodns.net'),
    ('any-ats.member.a02.yahoodns.net', 'A', '98.139.21.169'),
]

但是事实证明， dig命令可能会在名称末尾显示一个句点：

    mail.yahoo.com. 
        ^     ^   ^
        |     |   |
  Good dot    |   |
              |   |
        Good dot  |
                  |
           (!) Baaaad dot

进行正则表达式拆分dig的输出并返回带有最后一个句点的名称非常简单：

regex = re.compile("^(\S+).+IN\s+([A-Z]+)\s+(\S+)\.*\s*$",re.MULTILINE)

但是使用该正则表达式调用.findall确实会返回主机中的最后一个句点，因为\\S+也将匹配最后一个句点：

[
    ('mail.yahoo.com.', 'CNAME', 'login.yahoo.com.'),
    ('login.yahoo.com.', 'CNAME', 'ats.login.lgg1.b.yahoo.com.'),
    ('ats.login.lgg1.b.yahoo.com.', 'CNAME', 'ats.member.g02.yahoodns.net.'),
    ('ats.member.g02.yahoodns.net.', 'CNAME', 'any-ats.member.a02.yahoodns.net.'),
    ('any-ats.member.a02.yahoodns.net.', 'A', '98.139.21.169'),
]

所以，我需要匹配所有非空格的东西 \\S ，除非它是一个周期+空格。

我已经进行了无数次尝试，但还没有想出一个像样的解决方案。

先感谢您！

PS：我知道我总是可以使用“简单”的正则表达式并（在第二遍中）删除找到的字符串的最后一个点，但是我很好奇能否通过一次使用正则表达式来完成。

Answer 1

但是使用该正则表达式调用.findall确实会返回主机中的最后一个句点，因为\\S+也将匹配最后一个句点…

这里有两个问题。

首先，一旦用反斜杠转义，就需要使用原始字符串文字（ r"…" ），否则也必须转义反斜杠。 我实际上不确定您的任何反斜杠前缀字符是否都与Python反斜杠转义序列匹配，但这本身就足以使用原始字符串文字，因此您的读者不必查找确切的字符串规则。

其次，此问题的一般情况是正则表达式重复默认情况下是贪婪的：它们将尽可能匹配，同时仍允许其余模式匹配； 当您希望它们尽可能少地匹配而又允许其余模式匹配时，您需要添加一个? 在+或* 。

在您的特殊情况下， \\S+可以匹配包括final在内的所有内容. ，并且\\.*\\s*将成功匹配0 . s和0个空格。 但是\\S+? 将离开决赛. 对于模式的下一部分。 您也可以通过在第一个组后面添加一个句号来将其强制出第一组。 像这样：

^(\S+)\..+IN\s+([A-Z]+)\s+(\S+?)\.*\s*$

Debuggex演示

Answer 2

您可以简单地强制在组末尾没有句号（并且它不包含空格）：

npg = '([^\.\s]+(?:.[^\.\s]+)*)' #not_period_ending_group
regex = re.compile("^" + npg + ".+IN\s+([A-Z]+)\s+" + npg +".+$",re.MULTILINE)

Answer 3

您可以将此模式与多行修饰符一起使用：

^([^ ]+)(?<!\.)\.?[ ]+[0-9]+[ ]+IN[ ]+([^ ]+)[ ]+(.+(?<!\.))\.?$

$ 1，$ 2和$ 3中存储的组

DEMO

编辑：试试这个：

^([^ \t]+)(?<!\.)\.?[ \t]+[0-9]+[ \t]+IN[ \t]+([^ \t]+)[ \t]+(.+(?<!\.))\.?$

Answer 4

作为替代答案，我建议使用str.split() ，如果您的字符串行位于类似L的列表中， str.split() ：

[(line[0][:-1],line[3],line[4][:-1]) for line in L]

注意[:-1]删除最后一个. 来自主机地址！