利用python正则表达式爬取日志内信息

题记

    这周一直在忙入职的事情，当然学习是不能停止的。前两天学了正则，想用正则爬爬东西，果然好用，我认为html页面用lxml爬取好些，当然正则也行。杂乱无章，例如日志这种我觉得正则好。

    lxml可以学习我上一篇文章：http://cnblogs.com/sunny11/p/14745407.html（Python制作ip代理爬取与验证脚本（学会这个你就表格啥的都会爬了））

正则学习地址

    正则学习视频：http://bilibili.com/video/BV1zK4y1Z75d?p=1

    正则学习文档：http://mp.weixin.qq.com/s/CQ1vjRiG5H_aKnci1VFWsg

爬虫思路

    我们可以看到下图是典型的thinkphp的日志泄露的内容，我们本次的目标是姓名，手机号，邮箱，学号。

    代码正则部分，我们可以看到这种地方前边都有统一的键，例如`username`='xxx'，我们可以利用这一点把键值一起爬取下来，然后利用替换把我们不想要的东西替换为空，这样就能得到我们想要的东西了。

name = re.findall(r"`username`='.+?'", text) #匹配姓名

number = re.findall(r"ber` = '[0-9]{3,12}", text) #匹配学号

phone = re.findall(r"phone`='[0-9]+", text) #匹配手机号

email=re.findall(r"`email`='[A-Za-z0-9]+@[a-zA-Z0-9]+.[a-zA-Z0-9]+.[a-z]+", text) #匹配邮箱

代码

# coding=gbk

import re

def mimi():

id=1

for text in open('target.txt',encoding="utf-8"):

name = re.findall(r"`username`='.+?'", text)

number = re.findall(r"ber` = '[0-9]{3,12}", text)

phone = re.findall(r"phone`='[0-9]+", text)

email=re.findall(r"`email`='[A-Za-z0-9]+@[a-zA-Z0-9]+.[a-zA-Z0-9]+.[a-z]+", text) #匹配邮箱

print(email)

if name and email and phone:

name=name[0]

email = email[0]

number =number[0]

phone =phone[0]

name = name.replace("`username`='", '')

name = name.replace("'", '')

email = email.replace("`email`='", '')

email = email.replace("`email`=", '')

number = number.replace("ber` = '", '')

phone=phone.replace("phone`='", '')

ipm="第"+str(id)+"位同学--->"+"姓名："+name+" "+"学号："+number+" "+"手机号："+phone+" "+"邮箱："+email

print(ipm)

id=id + 1

with open(r'student2.txt', 'a+', encoding='utf-8') as f:

f.write(ipm + '
')

f.close()

if (1):

mimi()

最后效果