Dotaz: Pomoc s regularnim vyrazem

[irenicus]

Dobry den, dokaze nekdo napsat regularni vyraz ktery odseparuje jednotlive polozky nasledujiciho zaznamu z logu apache ?

10.10.13.10 - - [09/May/2007:10:44:24 +0200] "GET /joomla/index.php HTTP/1.1" 200 8845

vysledkem by mel o byti toto:

10.10.13.10
-
-
[09/May/2007:10:44:24 +0200]
"GET /joomla/index.php HTTP/1.1"
200
8845

Bojuji s tim uz dlouho a opravdu si nevim rady ... pripadne by mi pomohlo kdyby nekdo "vytahl" alespon retezce

[09/May/2007:10:44:24 +0200]
"GET /joomla/index.php HTTP/1.1"

Odpovědi

[pasmen]

(\d+\.\d+\.\d+\.\d+)\s*?(\-)\s*?(\-)\s*?(\[.*\])\s*?(\".*\")\s*?(\d+)\s*?(\d+)

[Filip Jirsák]

Navrhuji pouze drobnou změnu:

(\d+\.\d+\.\d+\.\d+)\s*?(\-)\s*?(\-)\s*?(\[.*?\])\s*?(\".*\")\s*?(\d+)\s*?(\d+)

[pasmen]

Jo na tohle jsem zapomnel, nicmene struktura retezce by chybu dopustit nemela. Ale jistota je jistota Jinak jeste pro autora: vyborna vec na hrani si s a testovani regularnich vyrazu je Pyreb.

[irenicus]

Dik vsem za bleskovou reakci ... musim vice studovat

[Filip Jirsák]

No, kdyby nějaký poťouchlý webový klient poslal dotaz třeba

GET /?]" HTTP/1.0
Host: example.com

Pokud to tedy Apache do logu uloží neescapovaně (jako např. Jetty)…

[happy barney]

hmm, apache to do logu uloží ako \" ... v tom prípade pomôže pridať na koniec $ ... a v mojej nižšie zapísanej verzii treba aj %r opraviť na .*, popr .*?, popr trochu zložitejšie (?: (?:\\\\)* (?:\\\")?[^\"])*

[happy barney]

pozor na chyby, v combined logu nie vždy musia byť %l a %u nevyplnené ...

qr/
(\S+)             # %h
\s+ (\S+)         # %l
\s+ (\S+)         # %u
\s+ (\[[^\]]*\])  # %t
\s+ (\"[^\"]*\")  # \"%r\"
\s+ (\d+)         # %>s
\s+ (\S+)         # %b
/x

%b môže obsahovať aj -.

[irenicus]

Hmmm .... co kdyby byl LogFormat libovolne definovan ? Mohl bych preformulovat ulohu asi takto:

Vrat vsechny souvisle casti textu: za souvislou cast testu povazuj ty casti jenz jsou vymezeny [] nebo "" jinak vse ostatni jenz neobsahuje mezeru.

[Filip Jirsák]

Na to už bych doporučoval napsat si nějaký miniparser (1 cyklus, pár switchů nebo ifů, za 5 minut hotovo), bude to jednodušší, než se mořit s vyhlížením v regulárních výrazech (a kdo ví, zda by to i s tím vyhlížením šlo; navíc ne každý RE engine vyhlížení umí).

[irenicus]

Kazdopadne jsem s tim jiz zacal. Snazil jsme se pouze najit elegantni reseni a RegExp se mi pripadali jako spravna cesta.

[happy barney]

perl, bez look(ahead/behind)
pri troche odvahy to možno aj v php niekto vyskúša s/( (?: [^\[\"]\S* ) | (?: \" (?: (?:\\\\)* (?:\\\")?[^\"])* \" ) | (?: \[ .*? \] ) ) \s+/$1\n/xg; my @vars = split /\n/;

(ps. netestované, nechcelo sa mi ...)

[Filip Jirsák]

Asi jo Jinak hezká ukázka toho, že RE je lepší používat jen na jednoduché věci nebo jednorázově, protože složitější RE jsou write-only

[happy barney]

write-only? pôvodne som to chcel dať do <pre>, ale sekol som sa
čudoval by ste sa, čo urobí pár nových riadkov a medzier s čitateľnosťou

[Filip Jirsák]

Já jsem se na to díval samozřejmě do zdrojáku HTML, kde to je odřádkované Ale stejně, že by bylo na první pohled jasné, co to dělá… Tenhle konkrétní případ je ještě dobrý, ale pak si někdo vzpomene, že tam mohou být i jednoduché uvozovky, a je problém. Tedy ne že bych sám nenapsal složitější RE. Ale tohle je podle mě dobrý příklad toho, že RE jsou sice mocné, ale občas se vyplatí použít něco tak obyčejného, jako cyklus a switch.