使用python处理分隔符

Question

我目前正在尝试以我通常无法执行的格式解析apache日志。（尝试使用goaccess）

在sublime it中，分隔符显示为ENQ、SOH和ETX，我的理解是“|”、空格和上标L重新分割把日志的各个组成部分分开，但我不知道如何处理带上标的L

在sublime上它显示为3286d68255beaf010000543a000012f1/Madonna_Home_1.jpgENQx628a135bENQZ1e5ENQAB50632SOHA50.134.214.130SOHC98.138.19.91SOHD42857ENQwwww.newprophecy.net...

当我在纯文本编辑器（如记事本）中打开文件时，ENQ为“|”，SOH为“”

我只需要解析出IP地址，这样剩下的部分基本上就不相关了。在

目前我有

pkts = re.split("\s|\\|")

但我不知道该怎么办

Answer 1

这些3个字母的代码是ASCII控制代码-这些是ASCII字符集中出现在32（空格字符）之前的ASCII字符。您可以找到a full list online。在

这些字符与任何可打印的字符不对应，因此假设它们对应于这些字符是不正确的。您可以使用\x00符号将它们称为几种语言中的文本—例如，控制代码ETX对应于\x03（请参阅上面链接的参考）。你可以用这些来分割字符串或其他任何东西。在

这是您问题的字面回答，但除此之外，我发现您不太可能需要使用控制代码来分割Apache日志文件。据猜测，实际发生的事情可能是som Unicode字符以某种方式悄悄地进入了日志文件，也许是UTF-8编码。编码是用多个字节编码扩展字符来表示超出单字节255限制的字符的一种方法。在

有几种编码方式，但UTF-8是最流行的编码方式之一。如果您使用UTF-8，它的特性是标准ASCII字符将正常显示（因此您可能永远不会意识到使用的是UTF-8），但是如果您在不支持UTF-8的编辑器中查看文件（或错误地将文件标识为纯ASCII），那么您将看到这些奇怪的控制代码。在这些地方，代码和代码前后的字符应该一起解释为一个单元。在

我不确定这是为什么，这只是一个有根据的猜测，但如果你还没有考虑过，那么找出你的文件编码是很重要的，因为它会影响你如何解释它的整个内容。我建议将该文件加载到一个能够理解编码的编辑器中（我确信在适当的配置下，Sublime会像Sublime一样流行），并强制将编码转换为UTF-8，看看这是否会使内容看起来更合理。在