正则表达式从日志文件中提取文件路径

Question

我需要从日志文件中获取文件路径。我想我会用正则表达式尝试这个。

文件路径如下所示：

75/751234/751234V0001_test-tag1-tag02-75x75_01.jpg

我不是正则表达式方面的专家，所以我只能使用以下表达式到达第二个斜杠。我还通过正则表达式获取文件名的开头，但我无法获取后面的几个关键字。

([0-9]{2})[\/]([0-9]{2,10})[\/]

现在我仍然缺少实际文件名的正则表达式。文件名始终以数字开头。之后理论上可以有无限的关键词。

文件扩展名可以是 .jpg、.tif、.zip 等。

所以输出应该是文件路径

75/751234/751234V0001_test-tag1-tag02-75x75_01.jpg

也许有人有一个解决方案，甚至是对我迄今为止的正则表达式的改进。

Answer 1

您的文件路径似乎是按如下方式组织的：

• 文件名以多位数字开头。
• 该路径以包含该数字的前两位数字的目录开头。
• 它继续是一个包含整个号码的子目录。
• 有问题的文件直接位于该子目录中，并且除了以上述编号开头之外，还具有有限的可能性集的扩展名。

如果您有不同的方法来识别包含文件名的行，这可能更好。如果存在不同模式的文件名，并且您想关注显示的模式，则以下正则表达式应该有效（示例grep在 ERE 模式下使用 GNU）：

grep -E -w -o '([[:digit:]]{2})/(\1[[:digit:]]+)/\2[^[:digit:]][^/]*\.(jpg|tif|zip)' logfile.txt

这使用反向引用（\1和\2）来确保“相同的文本”在字符串中的不同位置匹配。

• 该字符串需要以两位数字和一个斜杠开头。
• 然后需要以与开头相同的两位数字继续，后跟一个未指定的数字（如果数字有固定范围，则可以用 替换 ），以及一个+ 斜杠{2,10}
• 然后，它以与第二个路径元素相同的编号开始，后面跟着一个非数字字符（以确保该数字确实与第二个路径元素相同）以及除/（排除子目录中的文件或防止同一行中存在多个文件路径）之外的任意数量的其他字符，直到最终替代文件扩展名（您可以根据需要调整扩展名的数量）。
• 该-o选项确保仅返回该行的匹配部分（即文件路径）。该-w选项确保结果仅匹配完整字符串，即不匹配可能较长文件路径的子字符串。这要求文件名不包含空格（这是文件名的有效字符！）。

请注意，严格来说，反向引用是保证仅在基本正则表达式中工作的功能，而替代项仅保证在扩展正则表达式中工作。 GNUgrep扩展正则表达式确实允许反向引用，因此它在这种情况下有效（这可能不是太大的限制）。