利用正则表达式对网络日志数据进行数据清洗

原数据：

183.49.46.228 - - [18/Sep/2013:06:49:23 +0000] "-" 400 0 "-" "-"
163.177.71.12 - - [18/Sep/2013:06:49:33 +0000] "HEAD / HTTP/1.1" 200 20 "-" "DNSPod-Monitor/1.0"
163.177.71.12 - - [18/Sep/2013:06:49:36 +0000] "HEAD / HTTP/1.1" 200 20 "-" "DNSPod-Monitor/1.0"
101.226.68.137 - - [18/Sep/2013:06:49:42 +0000] "HEAD / HTTP/1.1" 200 20 "-" "DNSPod-Monitor/1.0"
101.226.68.137 - - [18/Sep/2013:06:49:45 +0000] "HEAD / HTTP/1.1" 200 20 "-" "DNSPod-Monitor/1.0"
60.208.6.156 - - [18/Sep/2013:06:49:48 +0000] "GET /wp-content/uploads/2013/07/rcassandra.png HTTP/1.0" 200 185524 "http://cos.name/category/software/packages/" "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/29.0.1547.66 Safari/537.36"
222.68.172.190 - - [18/Sep/2013:06:49:57 +0000] "GET /images/my.jpg HTTP/1.1" 200 19939 "http://www.angularjs.cn/A00n" "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/29.0.1547.66 Safari/537.36"
222.68.172.190 - - [18/Sep/2013:06:50:08 +0000] "-" 400 0 "-" "-"

所需正则表达式

IP地址：

\d+[.]\d+[.]\d+[.]\d+

其中 "\d+"表示任意连续数字，"[.]"表示点号，由于在正则表达式中"."通常表示通配符，因此点号加一个中括号

时间：

\d+/[A-Za-z]+/\d+:\d+:\d+:\d+

中间加入"[A-Za-z]+"表示任意连续字母，因为这里月份用Jan，Feb, Mar...表示的

网络资源：

"[a-zA-Z]+[^"]+"

"[^"]+"表示连续非引号，也就是匹配直到遇到一个引号，"^"表示非

Java语言的正则表达式使用(以匹配IP地址为例)：

        // 解析正则表达式
        Pattern pip = Pattern.compile("\d+[.]\d+[.]\d+[.]\d+");
        // 正则表达式匹配字符串line
        Matcher mip = pip.matcher(line);
        // 如果匹配到一个目标串
        if(mip.find()){
            /// 就获取该目标串
            ip=mip.group();
        }else{
            System.out.println("not found");
        }

Matcher.find()表示进行一次匹配，这里只进行了一次匹配也就是只匹配line中的第一个目标串IP地址

通常要获得所有的目标串，应该用while，

while(mip.find()){
    System.out.println(mip.group());    
}

其他的比如时间，网络资源，流量，访问状态码都可以如此操作

-----------------------------------

author: ZKe