正则匹配指定字符串后提取后续3位字符：如何从访问日志提取HTTP状态码

问题原因 #

• 正则未使用捕获组：re.findall() 匹配无捕获组的正则时，会返回完整匹配的字符串，而非你需要的状态码片段。
• .* 属于贪婪匹配规则，会尽可能多的向后匹配字符，可能会命中日志行靠后的三位数字段，导致匹配结果偏离预期。
• 行尾符号$无效是因为HTTP状态码不属于行尾元素，其后还跟随了响应字节数、UA标识等内容，$只能匹配整行的结束位置，无法适配当前场景。
• 额外的细节问题：正则里的HTTP/1.1中的.没有转义，正则中.默认匹配任意字符，存在误匹配风险。

修正后的实现代码 #

import re

with open("access.log", "r", encoding="utf-8") as file:
    contents = file.read()
    # 用捕获组仅提取三位状态码，转义小数点保证匹配精准
    http_codes = re.findall(r'HTTP/1\.1"\s+(\d{3})', contents)
    print(http_codes)

可选优化 #

如果日志中存在HTTP/2.0等其他版本的请求，可以调整正则兼容所有HTTP版本：

http_codes = re.findall(r'HTTP/\d\.\d"\s+(\d{3})', contents)

内容的提问来源于stack exchange，提问作者Randson