如何修改正则表达式让Apache日志Referer捕获组排除特定单词？

首先，先梳理下你的需求场景：你有一段Apache日志内容：

18.123.117.10 287.153.14.123 [08/Jan/2020:10:16:22 +0000] "GET /sport/home HTTP/1.1" 200 12345 122 "https://www.google.com" "Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36" eb72d10e0-3f9f-42kf-3di6-ff40hegg49f85 1578478582510 1578478582612

你原本用正则 ^(?:[^"\n]*"){3}(?<referer>[^"?]+) 提取Referer字段，但现在需要让referer捕获组仅匹配不包含特定单词（比如google）的内容，对吧？

解决方案：添加负向先行断言 #

你可以在捕获组内部加入负向先行断言来实现过滤逻辑，修改后的正则如下：

^(?:[^"\n]*"){3}(?<referer>(?!.*google)[^"?]+)

关键修改点拆解： #

• (?!.*google)：这是实现过滤的核心，属于负向先行断言。它会检查当前位置之后的内容中不存在google字符串，.*用来匹配任意数量的任意字符（除换行），确保不管google出现在Referer的哪个位置都会被检测到。
• [^"?]+：保留你原本的匹配逻辑，只提取到"或?为止的内容，保证Referer字段的完整性。

效果验证： #

• 对于日志中的"https://www.google.com"，这个正则不会捕获它，因为内容中包含google。
• 如果Referer是"https://www.example.com/page"这类不包含目标单词的内容，正则会正常捕获到https://www.example.com/page。

如果需要排除多个单词（比如同时过滤google和baidu），可以把断言部分改成(?!.*(google|baidu))，这样就能同时排除包含任意一个目标单词的Referer了。

内容的提问来源于stack exchange，提问作者paulalexandru