本文详解如何用 Python 的 re 模块（启用多行模式）设计稳健正则表达式，从“19个等号+时间摘要+19个等号+空行+多行正文”结构的日志中，准确捕获每条记录的标题字段和正文内容，并避免常见分组覆盖与贪婪匹配陷阱。
本文详解如何用 python 的 `re` 模块（启用多行模式）设计稳健正则表达式，从“19个等号+时间摘要+19个等号+空行+多行正文”结构的日志中，准确捕获每条记录的标题字段和正文内容，并避免常见分组覆盖与贪婪匹配陷阱。
在解析结构化日志时，若日志采用固定分隔符（如 ===================）包裹元数据与正文，传统逐行遍历虽可行，但正则驱动的批量提取更简洁高效——前提是正则逻辑严谨。本例中，核心挑战在于：既要隔离每个区块的标题行（DateTimeStamp - ShortSummaryOfEntry），又要完整捕获其后所有非分隔符行的正文内容，且不能跨区块误匹配。
关键问题在于原始正则 (={19}\n(.*)\n={19}\n)(\n.*)+(?=={19}) 的失效原因：
- (\n.*)+ 重复捕获同一分组，最终只保留最后一次匹配（即最后一行），导致正文丢失；
- (?=={19}) 是先行断言，但 + 的贪婪性会迫使引擎回溯至最远位置，常越过预期边界；
- 未启用多行模式（re.M），导致 ^/$ 无法匹配每行首尾，削弱行级控制力。
✅ 推荐正则表达式（Python 兼容）：
import re
pattern = r'^={19}\n(?!={19}$)(.+)\n={19}((?:\n(?!={19}$).*)*)'
log_content = """===================
2024-03-15 10:22:31 - User login failed
===================
Invalid credentials for user 'admin'.
Attempt blocked after 3 failures.
===================
2024-03-15 10:25:44 - System backup completed
===================
Backup size: 2.4 GB
Duration: 187 sec
Checksum: a1b2c3d4...
"""
# 启用 MULTILINE 模式，使 ^ $ 匹配每行起止
matches = re.findall(pattern, log_content, re.M)
for i, (header, body) in enumerate(matches, 1):
print(f"Record{i}Field1:\n{header.strip()}")
print(f"Record{i}Field2:\n{body.strip()}\n{'─'*50}")
? 表达式逐段解析：
- ^={19}\n：匹配行首 19 个 = 后换行；
- (?!={19}$)(.+)：负向先行断言确保下一行不是纯 ===================，再捕获标题行（.* → .+ 更安全，避免空匹配）；
- \n={19}：匹配标题后的分隔行；
- ((?:\n(?!={19}$).*)*)：非捕获组 (?:...) 内部循环匹配「换行 + 非分隔符行」，* 保证零或多行正文；外层括号捕获全部正文（含换行符）；
- re.M 必须启用，否则 ^/$ 仅作用于整个字符串首尾，无法实现行级锚定。
⚠️ 注意事项：
- 空行处理：上述正则默认跳过空行（因 .* 不匹配空行），若需保留空行，请将 .* 改为 .*? 并配合 re.DOTALL，或显式包含 \s*；
- 末尾区块边界：若日志末尾无终止分隔符，可追加 |(?=\Z) 适配；
- 性能考量：对超大文件（>100MB），建议流式读取+状态机替代全量正则，避免内存溢出；
- 数据库导入准备：提取后建议对 header 进行 split(' - ', 1) 拆分时间与摘要，对 body 使用 .strip() 清理首尾空白。
该方案已通过 regex101 在线验证，稳定支持嵌套换行、特殊字符及任意长度正文，是结构化日志批处理的可靠基础。
