我需要在一个非常大的日志文件(几 GB)中找到与特定模式匹配的字符串。问题是我一次只能查看文件的 512 字节。当我一次比较字符串 512 个字节时,并不总是能找到该模式,因为它可能会重叠两个不同的 block 。例如,如果模式是“potato”,则单词的第一部分可能仅存在于一个 block 的末尾,而其余部分仅存在于第二个 block 的开头。
理想情况下,我想用正则表达式替换模式,并仅打印模式匹配的字符串。我很想看看其他人如何解决这样的问题。任何帮助将不胜感激。
import sys
import re
file = open(sys.argv[1], "rb")
pattern = re.compile('potato')
try:
chunk= file.read(512)
while byte != "":
if pattern.search(chunk):
print chunk
# TODO: Print only the part that matched pattern
chunk = file.read(100)
finally:
file.close()
最佳答案
首先,使用括号创建一个组。
读取 block ,并匹配前一个 block + block 的一部分(不是两个 block ,因为在连续两次读取时您会匹配多次)。我只保留模式的长度,如果它是真实正则表达式,这可能是错误的。
然后,如果找到匹配项,只需打印第一个也是唯一的组,如下所示:
file = open(sys.argv[1], "rb")
ptrn="potato"
pattern = re.compile('({})'.format(ptrn),re.DOTALL) # group & multi-line match
prev=""
try:
while True:
chunk= file.read(512)
if not chunk:
break
m = pattern.search(prev+chunk)
if m:
# Print only the part that matched pattern
print(m.group(1))
prev = chunk[-len(ptrn):] # keep end of previous chunk
finally:
file.close()
注释:
- 由于您在像这样阅读时可能会遇到行尾,而不是逐行阅读,因此我建议使用
re.DOTALL
标志进行多行匹配 while
条件中可能存在拼写错误。您可能指的是block
而不是字节
。我已经修复了这个问题并简化了读取循环(而且您继续读取 100 个字节而不是 512 个字节)
关于python - 一次寻找 512 字节的模式并打印匹配。,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/40708646/