如何修改正则表达式提取日志时忽略时间戳后的无关文本

问题场景 #

日志文件your_file.txt结构如下：

A whole bunch of irrelevant text
2022-12-15 12:45:06 garbage, run: 1, user: james json:
[{"value": 30, "error": 8}]

原有正则提取代码会将时间戳后的冗余内容garbage一并捕获，输出结果为：

[('2022-12-15 12:45:06 garbage', '1', 'james', '[{"value": 30, "error": 8}]')]

需要修改正则表达式，让时间戳仅保留2022-12-15 12:45:06这类有效部分。

修改后的代码与正则 #

核心思路是精准匹配标准日期时间格式，跳过时间戳后到逗号前的冗余内容，不将其纳入捕获组：

import re

pat = re.compile(
    r'(?ms)^(\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2})[^,]+,\s*run:\s*(\S+),\s*user:\s*(.*?)\s*json:\n(.*?)$'
)

with open('your_file.txt', 'r') as f_in:
    print(pat.findall(f_in.read()))

关键修改说明 #

• (\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2})：精准匹配YYYY-MM-DD HH:MM:SS格式的时间戳，作为第一个捕获组，仅提取有效时间内容。
• [^,]+：匹配时间戳后到逗号前的所有冗余字符（如 garbage），这部分不放在捕获组内，因此不会被包含在输出结果中。
• 其余正则逻辑保持不变，确保run编号、用户名和JSON内容的正常提取。

运行后输出结果：

[('2022-12-15 12:45:06', '1', 'james', '[{"value": 30, "error": 8}]')]

内容的提问来源于stack exchange，提问作者DJC