У меня есть текстовый файл:
[31/May/2016:11:58:29-0500]/segment?city=london&language=en&x=12345&y=6789&z=1
[31/May/2016:11:59:15-0500]/segment?language=en&city=madrid&x=4589.4583&y=4865.5465&z=3
[31/May/2016:12:05:13-0500]/segment?city=london&language=en&x=12345&y=6789&z=1
[31/May/2016:12:15:13-0500]/segment?city=london&language=en&x=12345&y=6789&z=1
[31/May/2016:12:26:53-0500]/segment?language=en&city=newyork&x=45724.75575&y=424424.77474&z=3
Я должен извлечь определенные значения: дата, название города, языка, x, y, z в том порядке. Заметьте, что в некоторых строках существует другой порядок, и в будущих файлах порядок мог бы также отличаться затем это.
Вывод должен быть похожим:
31/May/2016:11:58:29-0500 london en 12345 6789 1
31/May/2016:11:59:15-0500 madrid en 589.4583 4865.5465 3
31/May/2016:12:05:13-0500 london en 12345 6789 1
31/May/2016:12:15:13-0500 london en 12345 6789 1
31/May/2016:12:26:53-0500 newyork en 45724.75575 424424.77474 3
или еще лучше если запятая может быть отредактирована, как определенный csv стандартный вывод был бы, был похож на это:
31/May/2016:11:58:29-0500,london,en,12345,6789,1
31/May/2016:11:59:15-0500,madrid,en,589.4583,4865.5465,3
31/May/2016:12:05:13-0500,london,en,12345,6789,1
31/May/2016:12:15:13-0500,london,en,12345,6789,1
31/May/2016:12:26:53-0500,newyork,en,45724.75575,424424.77474,3
Так как они, кажется, по существу структурированы, поскольку URL запрашивает, Вы могли бы хотеть посмотреть на использование специализированного анализатора запроса - такого как тот из Python urlparse
модуль. Например,
#!/usr/bin/python2
import sys,re
from urlparse import urlparse,parse_qs
keys = ['city', 'language', 'x', 'y', 'z']
with open(sys.argv[1],'r') as f:
for line in f:
u = urlparse(line.strip('\n'))
q = parse_qs(u.query)
# extract the strings we want from the dict-of-lists
values = ','.join(['-'.join(q[key]) for key in keys])
# extract the timestamp portion of the path (between `[` and `]`)
m = re.search('(?<=\[).*?(?=\])', u.path)
ts = m.group(0)
# print as a comma-separated list
print '{},{}'.format(ts, values)
Затем
$ ./queryparse.py queries.txt
31/May/2016:11:58:29-0500,london,en,12345,6789,1
31/May/2016:11:59:15-0500,madrid,en,4589.4583,4865.5465,3
31/May/2016:12:05:13-0500,london,en,12345,6789,1
31/May/2016:12:15:13-0500,london,en,12345,6789,1
31/May/2016:12:26:53-0500,newyork,en,45724.75575,424424.77474,3
Примечание: parse_qs
метод возвращает dict списков, т.е. он допускает несколько значений для каждого ключа запроса: '-'.join(q[key])
умозрительно превращает каждый список значения в разделенную от дефиса строку, однако в этом случае мы ожидаем только единственное значение для каждого ключа.
Так как порядок может измениться, это немного более твердо, но sed
может обработать его:
s/\[(.*)\](\/segment\?)(.*)/\3,\1/ #Match text between [], append to end of line and remove /segmennt?
s/city=([^&,]*)[&,](.*)/\2,\1/ #Match city= followed by any character
s/language=([^&,]*)[&,](.*)/\2,\1/ #except & and , which are the separators and append to end of line
s/x=([^&,]*)[&,](.*)/\2,\1/
s/\by=([^&,]*)[&,](.*)/\2,\1/ #Avoid matching city again by making sure y is at a word boundary
s/z=([^&,]*)[&,](.*)/\2,\1/
Выполнение как: sed-rnf scriptfile inputfile
Так как порядок может измениться, это возьмет определенные сценарии. Вот версия Perl:
#!/usr/bin/perl -nl
my $time = $1 if /\[(.+?)\]/;
my $city = $1 if /city=(.*?)(&|$)/;
my $lang = $1 if /language=(.*?)(&|$)/;
my $x = $1 if /\bx=(.*?)(&|$)/;
my $y = $1 if /\by=(.*?)(&|$)/;
my $z = $1 if /\bz=(.*?)(&|$)/;
print join ",", ($time, $city, $lang, $x, $y, $z)
Сохраните это как foo.pl
, сделайте это исполняемым файлом (chmod +x foo.pl
) и выполненный это как это:
./foo.pl file.txt
Вы могли также сжать это в "остроту":
perl -lne '$t=$1if/\[(.+?)\]/;$c=$1if/city=(.*?)(&|$)/;$l=$1if/language=(.*?)(&|$)/;$x=$1if/\bx=(.*?)(&|$)/;$y=$1if/\by=(.*?)(&|$)/;$z=$1if/\bz=(.*?)(&|$)/;print join",",($t,$c,$l,$x,$y,$z)' file
-n
означает, "читает входной файл линию за линией и применяют сценарий к каждой строке. -l
добавляет новая строка к каждому print
звоните и разделяет новые строки от каждой входной строки.
В каждом случае мы используем регулярное выражение, чтобы найти целевую строку и присвоить его переменной, если соответствие было найдено. Первый regex, \[(.+?)\]
соответствия что-либо между a [
и первое ]
. Круглые скобки вокруг .+
группы фиксации и позволяют нам обратиться к тому, что было получено как $1
. Так, $time
будет тем, что было в [ ]
.
Другие regexes следуют за той же идеей. \b
означает "несловесный символ" и гарантирует это y=
не будет соответствовать city
и т.д. (&|$)
средства любой a &
или конец строки ($
) и необходим для получения шаблонов в самом конце строки.
Наконец, мы join
они с запятыми и печатают их.