如何在Python中解析这个自定义日志文件

Question

我使用Python日志记录在处理时生成日志文件，并尝试将这些日志文件读取到list/dict中，然后将其转换为JSON并加载到nosql数据库中进行处理。

将使用以下格式生成文件。

2015-05-22 16:46:46,985 - __main__ - INFO - Starting to Wait for Files
2015-05-22 16:46:56,645 - __main__ - INFO - Starting: Attempt 1 Checking for New Files from gs://folder/folder/
2015-05-22 16:47:46,488 - __main__ - INFO - Success: Downloading the Files from Cloud Storage: Return Code - 0 and FileCount 1
2015-05-22 16:48:48,180 - __main__ - ERROR - Failed: Waiting for files the Files from Cloud Storage: gs://folder/folder/
Traceback (most recent call last):
  File "<ipython-input-16-132cda1c011d>", line 10, in <module>
    if numFilesDownloaded == 0:
NameError: name 'numFilesDownloaded' is not defined
2015-05-22 16:49:17,918 - __main__ - INFO - Starting to Wait for Files
2015-05-22 16:49:32,160 - __main__ - INFO - Starting: Attempt 1 Checking for New Files from gs://folder/folder/
2015-05-22 16:49:39,329 - __main__ - INFO - Success: Downloading the Files from Cloud Storage: Return Code - 0 and FileCount 1
2015-05-22 16:53:30,706 - __main__ - INFO - Starting to Wait for Files

注意：在您看到的每个新日期之前，实际上都有休息时间，但这里似乎不能表示它。

基本上，我试图读入这个文本文件并生成一个json对象，如下所示：

{
    'Date': '2015-05-22 16:46:46,985',
    'Type': 'INFO',
    'Message':'Starting to Wait for Files'
}
...

{
    'Date': '2015-05-22 16:48:48,180',
    'Type': 'ERROR',
    'Message':'Failed: Waiting for files the Files from Cloud Storage:  gs://folder/anotherfolder/ Traceback (most recent call last):
               File "<ipython-input-16-132cda1c011d>", line 10, in <module> if numFilesDownloaded == 0: NameError: name 'numFilesDownloaded' is not defined '
}

我遇到的问题：

我可以将每一行添加到一个列表或dict等，但错误消息有时会跨越多行，因此我最终会错误地将其拆分。

已尝试：

我试图使用下面这样的代码只在有效日期分割行，但似乎无法得到跨越多行的错误消息。我还尝试了正则表达式，认为这是一个可能的解决方案，但似乎找不到合适的正则表达式使用…不知道它是如何工作的，所以尝试了一堆复制粘贴，但没有任何成功。

with open(filename,'r') as f:
    for key,group in it.groupby(f,lambda line: line.startswith('2015')):
        if key:
            for line in group:
                listNew.append(line)

尝试了一些疯狂的正则表达式，但也没有运气：

logList = re.split(r'(19|20)\d\d[- /.](0[1-9]|1[012])[- /.](0[1-9]|[12][0-9]|3[01])', fileData)

如果能帮忙…谢谢

编辑：

在下面发布了一个解决方案，供其他人在同一件事情上挣扎。

Answer 1

使用@Joran Beasley的答案，我提出了以下解决方案，似乎奏效了：

要点：

• 我的日志文件总是遵循相同的结构：{Date}-{Type}- {消息}所以我使用字符串切片和拆分来将项目分解 需要他们。例如{Date}总是23个字符，而我 想要前19个字符。
• 使用line.startswith（“2015”）是疯狂的，因为日期最终会改变，所以创建了一个新函数，它使用一些正则表达式来匹配我期望的日期格式。再一次，我的日志日期遵循一个特定的模式，这样我可以得到特定的。
• 文件被读入第一个函数“generatedits（）”，然后调用“matchDate（）”函数，查看正在处理的行是否与我正在查找的{Date}格式匹配。
• 每次找到有效的{Date}格式时都会创建一个新的dict，并在遇到下一个有效的{Date}之前处理所有内容。

函数来拆分日志文件

def generateDicts(log_fh):
    currentDict = {}
    for line in log_fh:
        if line.startswith(matchDate(line)):
            if currentDict:
                yield currentDict
            currentDict = {"date":line.split("__")[0][:19],"type":line.split("-",5)[3],"text":line.split("-",5)[-1]}
        else:
            currentDict["text"] += line
    yield currentDict

with open("/Users/stevenlevey/Documents/out_folder/out_loyaltybox/log_CardsReport_20150522164636.logs") as f:
    listNew= list(generateDicts(f))

函数查看正在处理的行是否以与我正在查找的格式匹配的{Date}开头

    def matchDate(line):
        matchThis = ""
        matched = re.match(r'\d\d\d\d-\d\d-\d\d\ \d\d:\d\d:\d\d',line)
        if matched:
            #matches a date and adds it to matchThis            
            matchThis = matched.group() 
        else:
            matchThis = "NONE"
        return matchThis