регулярное выражение для входа в систему

Question

Я хочу извлечь (ip, requestUrl, timeStamp) из журналов доступа для загрузки в базу данных улья. Одна строка из журнала доступа выглядит следующим образом.

<code>
66.249.68.6 - - [14/Jan/2012:06:25:03 -0800] "GET /example.com HTTP/1.1" 200 708 "-" "Mozilla/5.0 (compatible; Googlebot/2.1; +http://www.google.com/bot.html)"

Я пытался со следующими и несколькими вариантами регулярных выражений, но безуспешно. (Загруженная таблица содержит все значения NULL, указывающие, что регулярное выражение не соответствует входным данным).

<code>
CREATE TABLE access_log (
  remote_ip STRING,
  request_date STRING,
  method STRING,
  request STRING,
  protocol STRING
)
ROW FORMAT SERDE 'org.apache.hadoop.hive.contrib.serde2.RegexSerDe'
WITH SERDEPROPERTIES  (
"input.regex" = "([^ ]<em>) . . [([^]]+)] \"([^ ]</em>) ([^ ]<em>) ([^ \"]</em>)\" *",
"output.format.string" = "%1$s %2$s %3$s %4$s %5$s"
)
STORED AS TEXTFILE;

Я не очень опытен в регулярных выражениях. Кто-нибудь может мне помочь с этим?

Answer 1

В конце используйте двойные '\' и '. *' (Это важно!):

CREATE EXTERNAL TABLE access_log (
        `ip`                STRING,
        `time_local`        STRING,
        `method`            STRING,
        `uri`               STRING,
        `protocol`          STRING,
        `status`            STRING,
        `bytes_sent`        STRING,
        `referer`           STRING,
        `useragent`         STRING
        )
    ROW FORMAT SERDE 'org.apache.hadoop.hive.contrib.serde2.RegexSerDe'
    WITH SERDEPROPERTIES (
    'input.regex'='^(\\S+) \\S+ \\S+ \\[([^\\[]+)\\] "(\\w+) (\\S+) (\\S+)" (\\d+) (\\d+) "([^"]+)" "([^"]+)".*'
)
STORED AS TEXTFILE
LOCATION '/tmp/access_logs/';

P.S. Улей 0.7.1

Answer 2

Я использую Рубуляр , чтобы проверить свое регулярное выражение. Вы также можете использовать это выражение

([^ ]*) ([^ ]*) ([^ ]*) (?:-|\[([^\]]*)\]) ([^ \"]*|\"[^\"]*\") (-|[0-9]*)

Вы получите следующий вывод

1.  66.249.68.6
2.  -
3.  -
4.  14/Jan/2012:06:25:03 -0800
5.  "GET /example.com HTTP/1.1"
6.  200

Answer 3

Не надежно, но, учитывая, что это файл журнала в известном формате, тогда должно работать следующее (не проверено в Hive, но работает с grep -E и http://www.regexplanet.com/simple/index.html, если вы замените [^[]с [^\[] и [^]] с [^\]]).Предполагается, что вам нужны только три значения, которые вы специально упомянули.

"input.regex" = "([0-9]+\.[0-9]+\.[0-9]+\.[0-9]+)[^[]+\[([^]]+)\][^/]+([^ ]+).+"
"output.format.string" = "%1$s %2$s %3$s"