正则表达式从记录中捕获两组

Question

我正在研究一个 ETL 来处理机器生成的日志的解析。 这些日志类似于 csv 文件的扁平化 json 文件。 json 的有效负载（及其长度）取决于日志类型，例如错误、警报、...

每隔一段时间，日志文件中就会出现损坏的行。 这些损坏的行将两行合并为一行，并以特殊字符\x00开头。 因此，可以识别这些损坏的行。 不过，我想检索这两行并将其与损坏的行分开。

数据示例（损坏的行是第 3 行）：

日志文件
2019.09.12 07:32:00,121，INIED
2019.09.12 09:21:50,611,ALARM ,E,303,ARM 2 真空错误!!
\x00 2019.09.12 10:04:46,611,ALARM ,O,501, 检查机 2019.09.12 10:06:22,611,ALARM ,E,303,ARM 2 VACUUM ERROR !!
2019.09.12 10:52:38,209，简历

理想情况下损坏记录\x00 2019.09.12 10:04:46,611,ALARM ,O,501, Check machine 2019.09.12 10:06:22,611,ALARM ,E,303,ARM 2 VACUUM ERROR !! 将被检索为

• 第 1 组： 2019.09.12 10:04:46,611,ALARM ,O,501, Check machine
• 第 2 组： 2019.09.12 10:06:22,611,ALARM ,E,303,ARM 2 VACUUM ERROR !!

我从捕获组\d{4}.\d{2}.\d{2} \d{2}:\d{2}:\d{2}(.*)开始获取所有内容时间戳。 这似乎是最简单的方法，因为我不能假设线的长度是固定的（由于扁平化的 json）。

问题：

• 我不确定如何终止我的捕获组。 我正在考虑使用行尾或它找到的下一个时间戳。 有什么建议可以结合这些条款吗？
• 此外，此方法会从捕获组中删除时间戳本身。 我应该使用不同的方法吗？

Answer 1

1. 正如您所想的那样，您应该在捕获组中包含组合在 OR 子句中的行尾和时间戳。
2. 在您的表达式中，由于您希望将时间戳和文本放在一起，因此您不希望捕获组仅包含 (.*) 而是包含整个表达式 (\d{4}.\d{2}.\d{2} \d{2}:\d{2}:\d{2}.*)

所以这两者的组合将是：

(\d{4}.\d{2}.\d{2} \d{2}:\d{2}:\d{2}.*?)(?:$|(?=\d{4}.\d{2}.\d{2} \d{2}:\d{2}:\d{2}))

OR 子句是一个非捕获组，由“$”行的末尾和带有日期的“Positive Lookahead”组成。

您可以使用站点https://regexr.com/来测试和验证表达式，您应该尝试一下。