如何在Python中用正则表达式提取含固定+动态字符的指定字符串

问题背景 #

给定日志内容：

33f04e43cc6","from":"/ABC001/data/ZZZ000_logger_v1_20221010053935242_1.zip","to":"/ABC001/data/ZZZ000_logger_v1_20221010053935242_1.zip","remove":true,"objectId":"229bea5a-c9b0-4ad0-aecc-84a63bc7dc6f"}2022-10-10
05:39:35,247 Platform.Interface: Published message to topic:
{"id":"a32e6cbe-94d4-493f-ae56-933f04e43cc6"},
"from":"/ABC001/data/ZZZ000_single_3445442_1.zip"

需要提取符合以下固定格式的文件名：

• [任意字母数字]_logger_v1_[任意数字]_1.zip
• [任意字母数字]_single_[任意数字]_1.zip

原尝试的正则表达式 ^\W.*zip$ 仅返回完整文件路径，无法精准匹配目标文件名，同时需要对提取结果去重。

解决方案 #

1. 构造精准匹配的正则表达式 #

针对目标文件名的固定格式，构造如下正则：

pattern = r'\w+_(?:logger_v1|single)_\d+_1\.zip'

各部分含义：

• \w+：匹配任意长度的字母数字组合（对应格式中的「AnyAlphanumericCharacter」）
• (?:logger_v1|single)：非捕获分组，匹配固定字符串logger_v1或single
• \d+：匹配任意长度的数字（对应格式中的「AnyNumeric」）
• _1\.zip：匹配固定后缀，.需转义避免匹配任意字符

2. 提取并去重 #

使用re.findall提取所有匹配项，再通过集合实现去重：

import re

# 日志字符串
log_content = """33f04e43cc6","from":"/ABC001/data/ZZZ000_logger_v1_20221010053935242_1.zip","to":"/ABC001/data/ZZZ000_logger_v1_20221010053935242_1.zip","remove":true,"objectId":"229bea5a-c9b0-4ad0-aecc-84a63bc7dc6f"}2022-10-10
05:39:35,247 Platform.Interface:  Published message to topic:
{"id":"a32e6cbe-94d4-493f-ae56-933f04e43cc6"},
"from":"/ABC001/data/ZZZ000_single_3445442_1.zip"""

# 提取所有匹配的文件名
file_matches = re.findall(r'\w+_(?:logger_v1|single)_\d+_1\.zip', log_content)
# 去重
unique_files = list(set(file_matches))

print(unique_files)

运行结果：

['ZZZ000_logger_v1_20221010053935242_1.zip', 'ZZZ000_single_3445442_1.zip']

原正则问题说明 #

原表达式 ^\W.*zip$ 的问题：

• ^ 和 $ 锚定了整个字符串的开头和结尾，只会匹配从非单词字符开始到zip结尾的整段内容（即完整路径）
• .* 是贪婪匹配，会覆盖过多无关内容，无法精准定位文件名部分

内容的提问来源于stack exchange，提问作者KBNanda