Java正则表达式需求：删除IIS日志中除domain\identity外的所有内容

需求背景 #

处理大型IIS日志时，仅需保留domain\identity格式（如test\t123456、test\b213）的用户访问身份，需通过Apache NiFi的替换工具结合Java正则实现，无需编写复杂脚本。

核心实现方案 #

利用NiFi的ReplaceText处理器，通过正则替换清空日志中除目标捕获组外的所有内容，只保留所需身份信息。

具体配置步骤 #

1. 部署ReplaceText处理器
   在NiFi流程中添加ReplaceText处理器，将日志输入源（如GetFile读取日志文件）连接到该处理器。

2. 配置正则规则

   • Search Value（搜索正则）：

     ^.*?([a-z]+\\\\[a-z]\d+).*$
     

     说明：

     • ^.*?：非贪婪匹配行首到目标身份前的所有内容，避免遗漏多个匹配项（若存在）
     • ([a-z]+\\\\[a-z]\d+)：捕获组，匹配域名\小写字母+数字格式的身份（若域名包含数字，可调整为[a-z0-9]+）
     • .*$：匹配目标身份到行尾的所有内容

   • Replacement Value（替换内容）：

     $1
     

     说明：$1引用正则中第一个捕获组的匹配结果，即需要保留的用户身份信息。

   • 关键参数设置：

     • Replacement Strategy：选择Replace All
     • Evaluation Mode：选择Entire text（确保按行处理单条日志记录）

3. 测试验证
   用示例日志行测试：

   testingtesting123 test\t12345 512.1235.212.321 Apples+Test/9.9.9+(Product:+129+10.492.29) - 400 testing testing123
   处理后输出结果：test\t12345

扩展说明 #

• 若单条日志可能存在多个符合格式的身份信息，可调整正则为：

  ^.*?([a-z]+\\\\[a-z]\d+)(?:.*?([a-z]+\\\\[a-z]\d+))*.*$
  

  替换内容设为$1,$2（用逗号分隔多个结果，按需调整分隔符）。
• 若域名是固定值（如test），可将正则中的[a-z]+替换为具体域名，如test\\\\[a-z]\d+。

内容的提问来源于stack exchange，提问作者BM100