使用正则表达式拆分为列

Question

我迫切需要帮助有一个我想使用正则表达式（python）分成列的数据，它必须使用正则表达式

Jan  9 01:04:49 syntax sshd(pam_unix)[21354]: authentication failure; logname= uid=0 euid=0 tty=NODEVssh ruser= rhost=120-123-141-4.hinet-ip.hinet.com  

Jul 10 04:17:11 syntax su(pam_unix)[95367]: session opened for user abc by (uid=0)

May  1 14:06:19 syntax su(pam_unix)[95367]: session closed for user abc

Oct 23 18:08:26 syntax logrotate: ALERT exited abnormally with [1]

Jun 14 21:42:52 syntax su(pam_unix)[95367]: session opened for user cbx by (uid=0)

假设 output

它实际上来自 url，我把它变成了 pandas dataFrame 并尝试使用 re.split 但它给了我错误

*ValueError: 1 columns passed, passed data had 24 columns*

希望我能得到我需要的 output 吗？

Answer 1

所以你可以像这样创建一个命名的正则表达式，

r'(?P<Timestamp>\w{3}\s+\d{1,2}\s\d{1,2}:\d{2}:\d{2})\s(?P<A1>\w+)\s(?P<A2>[\S]+)\:\s(?P<A3>.*)'

如果上述正则表达式不起作用，您可以创建自己的并在regex101.com上进行测试

您可以使用您在此处提供的示例了解我是如何做到的。

然后使用 str.extract 使命名组成为列名。

代码看起来像，

import pandas as pd

df = pd.DataFrame(data=["Jan  9 01:04:49 syntax sshd(pam_unix)[21354]: authentication failure; logname= uid=0 euid=0 tty=NODEVssh ruser= rhost=120-123-141-4.hinet-ip.hinet.com",
"Jul 10 04:17:11 syntax su(pam_unix)[95367]: session opened for user abc by (uid=0)",
"May  1 14:06:19 syntax su(pam_unix)[95367]: session closed for user abc"], columns=["value"])
print(df)

在控制台上，

 value
0  Jan  9 01:04:49 syntax sshd(pam_unix)[21354]: ...
1  Jul 10 04:17:11 syntax su(pam_unix)[95367]: se...
2  May  1 14:06:19 syntax su(pam_unix)[95367]: se...

添加此以将值列拆分为您需要的列，

pattern = r'(?P<Timestamp>\w{3}\s+\d{1,2}\s\d{1,2}:\d{2}:\d{2})\s(?P<A1>\w+)\s(?P<A2>[\S]+)\:\s(?P<A3>.*)'

df1 = df['value'].str.extract(pattern, expand=True)
print(df1)

在控制台上，

     Timestamp      A1                     A2                                                 A3
0  Jan  9 01:04:49  syntax  sshd(pam_unix)[21354]  authentication failure; logname= uid=0 euid=0 ...
1  Jul 10 04:17:11  syntax    su(pam_unix)[95367]             session opened for user abc by (uid=0)
2  May  1 14:06:19  syntax    su(pam_unix)[95367]                        session closed for user abc

希望这会有所帮助，干杯！

Answer 2

使用正则表达式如下

数据

 df=pd.DataFrame({'Text':['Jan  9 01:04:49 syntax sshd(pam_unix)[21354]: authentication failure; logname= uid=0 euid=0 tty=NODEVssh ruser= rhost=120-123-141-4.hinet-ip.hinet.com','Jul 10 04:17:11 syntax su(pam_unix)[95367]: session opened for user abc by (uid=0)','May  1 14:06:19 syntax su(pam_unix)[95367]: session closed for user ab']})

正则表达式= ([A-Za-z]+\s+\d+\s+\d+:\d+:\d+)\s+|(?<=\])[:\s+]+|(?<=[x])\s+

df2=df.Text.str.split('([A-Za-z]+\s+\d+\s+\d+:\d+:\d+)\s+|(?<=\])[:\s+]+|(?<=[x])\s+', n=3, expand=True)

df2.rename(columns=({0:'DROP1',1:'Timestamp', 2:'A1', 3:'DROP', 4:'A2', 5:'DROP2',6:'A3'}),inplace=True)#Rename columns

df2.drop(columns=['DROP2','DROP1','DROP'],inplace=True)#Drop unwanted columns

基本上;

(?<=\])[:\s+]+按]:

或 - |

(?<=[x])\s+按x后的空格分割

或- |

([A-Za-z]+\s+\d+\s+\d+:\d+:\d+)\s+拆分timestamp

结果

Answer 3

下面的正则表达式可以拆分语句。 必需的列将在捕获组中。

(.*:\d\d)\s(.*?)\s(.*?:)\s(.*)

检查以下链接以供参考：

regexr.com/549bm

例如，第二条记录将被拆分为

7月10日 04:17:11

句法

苏（pam_unix）[95367]：

session 由 (uid=0) 为用户 abc 打开

Answer 4

刚开始，“它必须使用正则表达式”没有任何理由没有任何意义 - 出于您的目的，一些拆分将更快地弄清楚并且可能在它的健壮性方面相似。 话虽如此...

如果您想使用正则表达式来解析这些类似 syslog 的消息，您只需要找出 4 种格式中的至少 3 种，然后将它们与（命名的）组结合在一起。

我们希望最终得到类似的结果：

re_log = rf'(?P<date>{re_date}) (?P<device>{re_device}) (?P<source>{re_source}): (?P<message>{re_message})'

注意组之间的空格和冒号。

由于消息不太可能遵循任何可用的模式，因此它必须是我们的通配符：

re_message = r'.*'

同样，该设备希望是一个有效的设备 ID 或主机名，（例如，没有空格，只有字母数字和破折号）：

re_device = r'[\w-]+'

我们可以使用 datetime 或 time 或一些解析来获得日期的正式解析，但我们并不关心，所以让我们大致匹配您的格式。 我们不知道您的日志格式是使用前导零还是忽略它们，因此我们允许：

re_date = r'\w{3} \d{1,2} \d{1,2}:\d{2}:\d{2}'

源有点非结构化，但只要它没有空格，我们就可以匹配所有内容，因为我们在re_log表达式中有冒号来捕获它：

re_source = r'[^ ]+'

最后，尝试一下给了我们一些可以应用于您的消息的东西

>>> import re
>>> eg = "Oct 23 18:08:26 syntax logrotate: ALERT exited abnormally with [1]"
>>> m = re.match(re_log, eg)
>>> m.groupdict()
{'date': 'Oct 23 18:08:26',
 'device': 'syntax',
 'source': 'logrotate',
 'message': 'ALERT exited abnormally with [1]'}

Answer 5

解决方案

您需要使用以下正则表达式模式以及pandas.Series.str.findall()来快速轻松地获取它。
我还做了一个方便的 function : process_logdata()所以你可以直接使用它。 便利 function 可在此答案的底部找到。

df = process_logdata(log_file_name='logfile.txt')
print(df)

逻辑：

这是方便 function, process_logdata()的逻辑。

# regex pattern
pattern = '\s*(\w{3}\s+\d{1,2}\s+\d{2}:\d{2}:\d{2})\s+(\S+)\s+(\S+?:)\s+(.*)'

# read log file
df = pd.read_csv('logfile.txt', header=None).rename(columns={0: 'logline'})
# process data
ds = df.logline.str.strip().str.findall(pattern)
a = np.array([list(e) for e in ds]).reshape(ds.size,-1)
# finalize processed data as a dataframe
df = pd.DataFrame(a, columns=['Timestamp', 'A1', 'A3', 'A3'])
print(df)

例子

这里我们使用虚拟数据（以字符串形式提供）。 首先，我们将其加载到 pandas dataframe 中，然后对其进行处理。

import numpy as np
import pandas as pd
import re
from io import StringIO 

s = """
Jan  9 01:04:49 syntax sshd(pam_unix)[21354]: authentication failure; logname= uid=0 euid=0 tty=NODEVssh ruser= rhost=120-123-141-4.hinet-ip.hinet.com  

Jul 10 04:17:11 syntax su(pam_unix)[95367]: session opened for user abc by (uid=0)

May  1 14:06:19 syntax su(pam_unix)[95367]: session closed for user abc

Oct 23 18:08:26 syntax logrotate: ALERT exited abnormally with [1]

Jun 14 21:42:52 syntax su(pam_unix)[95367]: session opened for user cbx by (uid=0)
"""
s = re.sub('\n\s*\n', '\n', s).strip()
#print(s)

df = pd.read_csv(StringIO(s), header=None).rename(columns={0: 'logline'})
pattern = '\s*(\w{3}\s+\d{1,2}\s+\d{2}:\d{2}:\d{2})\s+(\S+)\s+(\S+?:)\s+(.*)'
ds = df.logline.str.strip().str.findall(pattern)
a = np.array([list(e) for e in ds]).reshape(ds.size,-1)
df = pd.DataFrame(a, columns=['Timestamp', 'A1', 'A3', 'A3'])
print(df)

Output ：

方便 Function

import numpy as np
import pandas as pd
import re

def process_logdata(log_file_name):
    """Returns a dataframe created from the log file.
    """
    ## Define regex pattern
    pattern = '\s*(\w{3}\s+\d{1,2}\s+\d{2}:\d{2}:\d{2})\s+(\S+)\s+(\S+?:)\s+(.*)'

    ## Read log file
    df = (pd
          .read_csv(log_file_name, header=None)
          .rename(columns={0: 'logline'})
    )
    ## Process data
    ds = df['logline']str.strip().str.findall(pattern)
    a = np.array([list(e) for e in ds]).reshape(ds.size,-1)
    ## Finalize processed data as a dataframe 
    df = pd.DataFrame(a, columns=['Timestamp', 'A1', 'A3', 'A3'])
    return df