提取字符串动态键值对

常用方案比较

字符串动态键值对提取分为关键字提取、值提取、关键字加工和值加工，常用方案为采用e_kv函数、e_kv_delimit函数和e_regex函数等。不同提取场景的三种方案如下：

大部分键值对的提取使用e_kv函数并配置特定参数就可以很好地满足，尤其是带括字符和反斜杠需要提取并转义时。其他复杂或高级的场景可以用e_regex函数来提取。部分特定场景下的键值对使用e_kv_delimit函数会更简单。

关键字提取

• 处理方法

  e_kv、e_kv_delimit、e_regex等函数在应用于关键字提取的时候都应遵循字段名提取约束。

• 示例1

  以k1: q=asd&a=1&b=2&__1__=3日志为例，如果要对该格式的日志作关键字和值提取，三种方案如下：

  • e_kv函数

    • 原始日志

      k1: q=asd&a=1&b=2&__1__=3

    • 加工规则

      #默认以特定字符集提取关键字
      e_kv("k1")

    • 加工结果

      k1: q=asd&a=1&b=2
      q: asd
      a: 1
      b: 2

      说明

      没有提取出关键字__1__是因为其不符合字段名提取约束。

  • e_kv_delimit函数

    • 原始日志

      k1: q=asd&a=1&b=2&__1__=3

    • 加工规则

      # 以&分隔键值后,用&分隔提取出关键字
      e_kv_delimit("k1", pair_sep=r"&")

    • 加工结果

      k1: q=asd&a=1&b=2
      q: asd
      a: 1
      b: 2

  • e_regex函数

    • 原始日志

      k1: q=asd&a=1&b=2&__1__=3

    • 加工规则

      # 自行指定字符集提取关键字和值
      e_regex("k1",r"(\w+)=([a-zA-Z0-9]+)",{r"\1": r"\2"})

    • 加工结果

      k1: q=asd&a=1&b=2
      q: asd
      a: 1
      b: 2

• 示例2

  以content:k1=v1&k2=v2?k3:v3为例，需要特定正则提取关键字，三种方案如下：

  • e_kv函数

    • 原始日志

      content:k1=v1&k2=v2?k3:v3

    • 加工规则

      e_kv("content",sep="(?:=|:)")

    • 加工结果

      content:k1=v1&k2=v2?k3:v3
      k1: v1
      k2: v2
      k3: v3

      说明

      给参数pair_sep、kv_sep或者sep传递字符集的时候，需要使用正则的不捕获分组，形式如(?:字符集)。

  • e_kv_delimit函数

    • 原始日志

      content:k1=v1&k2=v2?k3:v3

    • 加工规则

      e_kv_delimit("content",pair_sep=r"&?",kv_sep="(?:=|:)")

    • 加工结果

      content:k1=v1&k2=v2?k3:v3
      k1: v1
      k2: v2
      k3: v3

  • e_regex函数

    • 原始日志

      content:k1=v1&k2=v2?k3:v3

    • 加工规则

      e_regex("content",r"([a-zA-Z0-9]+)[=|:]([a-zA-Z0-9]+)",{r"\1": r"\2"})

    • 加工结果

      content:k1=v1&k2=v2?k3:v3
      k1: v1
      k2: v2
      k3: v3

• 示例3

  对以下格式的复杂字符串，使用e_regex函数提取更方便。

  • 原始日志

    content :"ak_id:"LTAiscW,"ak_key:"rsd7r8f

  • 加工规则

    如果要提取字符串的关键字前有（”）符号，需要使用e_regex函数来提取。

    e_regex("content", r"(\w+):\"(\w+)", {r"\1": r"\2"})

  • 加工结果

    经过DSL编排之后的日志格式：

    content :"ak_id:"LTAiscW,"ak_key:"rsd7r8f
    ak_id: LTAiscW
    ak_key: rsd7r8f

值提取

• 动态键值对之间以及关键字与值之间有明确标识，如a=b或a="cxxx"日志格式的，推荐用e_kv函数，示例如下。

  • 原始日志

    content1:  k="helloworld",the change world, k2="good"

  • 加工规则

    这种情况下使用e_kv函数，提取内容不包括the change world：

    e_kv("content1")
    # e_kv_delimit函数写法，特别注意k2前有空格，所以e_kv_delimit函数的pair_sep参数需要使用`,\s`才能正常解析，否则解析不出来k2。
    e_kv_delimit("content1",kv_sep="=", pair_sep=",\s")
    # e_regex函数写法
    e_regex("str",r"(\w+)=(\"\w+)",{r"\1": r"\2"})

  • 加工结果

    提取后的日志为：

    content1:  k="helloworld",the change world, k2="good"
    k1: helloworld
    k2: good

• 对带"的日志格式content:k1="v1=1"&k2=v2?k3=v3，推荐使用e_kv函数进行提取，例如：

  • 原始日志

    content:k1="v1=1"&k2=v2?k3=v3

  • 加工规则

    e_kv("content",sep="=", quote="'")

  • 加工结果

    处理后日志为：

    content: k1='v1=1'&k2=v2?k3=v3
    k1: v1=1
    k2:v2
    k3:v3

  如果使用e_kv_delimit函数提取，规则为e_kv_delimit("ctx", pair_sep=r"&?", kv_sep="=")，只能解析出k2: v2和k3: v3，因为其中第一个提取的键值对中关键字是k1="v1，不符合字段名提取约束会被丢弃。

• 分隔符的键值对中，值包含特殊字符但没有用特定字符包括。例如：

  • 原始日志

    content:  rats eat rice, oil|chicks eat bugs, rice|kittens eat fish, mice|

  • 加工规则（推荐）

    使用e_kv_delimit函数比较合适。

    e_kv_delimit("content", pair_sep="|", kv_sep=" eat ")

  • 加工结果（推荐）

    处理后日志为：

    content:  rats eat rice, oil|chicks eat bugs, rice|kittens eat fish, mice|
    kittens:  fish, mice
    chicks:  bugs, rice
    rats:  rice, oil

  • 加工规则（不推荐）

    使用e_kv函数无法解析完整。

    e_kv("f1", sep="eat")

  • 加工结果（不推荐）

    处理后日志为：

    content:  rats eat rice, oil|chicks eat bugs, rice|kittens eat fish, mice|
    kittens:  fish
    chicks:  bugs
    rats:  rice

关键字加工

• e_kv函数和e_kv_delimit函数都可以通过prefix="", suffix=""对关键字和值进行加工。

  • 原始日志

    k1: q=asd&a=1&b=2

  • 加工规则

    e_kv("k1", sep="=", quote='"', prefix="start_", suffix="_end")
    e_kv_delimit("k1", pair_sep=r"&", kv_sep="=", prefix="start_", suffix="_end")
    e_regex("k1",r"(\w+)=([a-zA-Z0-9]+)",{r"start_\1_end": r"\2"})

  • 加工结果

    加工后的数据都是关键字加工形式，如下：

    k1: q=asd&a=1&b=2
    start_q_end: asd
    start_a_end: 1
    start_b_end: 2

• e_regex函数对关键字加工的能力更强，例如：

  • 加工规则

    e_regex("k1",r"(\w+)=([a-zA-Z0-9]+)",{r"\1_\1": r"\2"})

  • 加工结果

    加工后的数据都是关键字加工形式，如下：

    k1: q=asd&a=1&b=2
    q_q: asd
    a_a: 1
    a_a: 2

值加工

• 日志格式为k1:"v1\"abc"形式， 同时值加工的内容存在有双引号符号的情形，使用e_kv函数可正常进行提取，其他两种方式较难实现。

  • 原始日志

    """
    这里的\只是普通的符号，不是转义符
    """
    content2:  k1:"v1\"abc", k2:"v2", k3: "v3"

  • 加工规则1

    e_kv("content2",sep=":", quote='"')

    使用e_kv函数规则为：

  • 加工结果1

    提取后的日志为：

    content2:  k1:"v1\"abc", k2:"v2", k3: "v3"
    k1: v1\
    k2: v2
    k3: v3

  • 加工规则2

    e_kv函数通过参数escape支持对\字符转义。例如：

    e_kv("content2",sep=":", quote='"',escape=True)

  • 加工结果2

    提取后的日志为：

    content2:  k1:"v1\"abc", k2:"v2", k3: "v3"
    k1: v1"abc
    k2: v2
    k3: v3

• 日志格式为a='k1=k2\';k2=k3'形式的日志，只有e_kv函数可以正常提取出，其他两种比较难以实现。

  • 原始日志

    data: i=c10 a='k1=k2\';k2=k3'

  • 加工规则1

    默认情况下e_kv函数的escape=False，结果为：

    e_kv("data", quote="'")

  • 加工结果1

    提取后的日志为：

    a:  k1=k2\
    i:  c10
    k2:  k3

  • 加工规则2

    e_kv函数通过参数escape支持对\字符转义。例如：

    e_kv("data", quote="'", escape=True)

  • 加工结果2

    提取后的日志为：

    data: i=c10 a='k1=k2\';k2=k3'
    i: c10
    a: k1=k2';k2=k3

• 键值的复杂加工。

  • 原始日志

    content:  rats eat rice|chicks eat bugs|kittens eat fish|

  • 加工规则

    使用e_regex函数进行加工。

    e_regex("content", r"\b(\w+) eat ([^\|]+)", {r"\1": r"\2 by \1"})

  • 加工结果

    处理后日志为：

    content:  rats eat rice|chicks eat bugs|kittens eat fish|
    kittens:  fish by kittens
    chicks:  bugs by chicks
    rats:  rice by rats

客户案例

例如某网站日志中有一个URL数据，针对这条数据有提取需求，按照需求设计加工规则处理日志内容。

• 第一次加工

  • 需求

    • 需求1：对日志解析出proto、domain、param等内容。

    • 需求2：对param中的键值对做展开操作。

  • 原始日志

    __source__:  192.168.0.100
    __tag__:__client_ip__:  192.168.0.200
    __tag__:__receive_time__:  1563517113
    __topic__:  
    request:  https://example.com/video/getlist/s?ver=3.2.3&app_type=supplier&os=Android8.1.0

  • 加工方案

    • 总规则

      # 初步处理解析request内容
      e_regex('request',grok("%{URIPROTO:uri_proto}://(?:%{USER:user}(?::[^@]*)?@)?(?:%{URIHOST:uri_domain})?(?:%{URIPATHPARAM:uri_param})?"))
      # 其次处理解析uri_param
      e_regex('uri_param',grok("%{GREEDYDATA:uri_path}\?%{GREEDYDATA:uri_query}"))
      # 展开kv形式
      e_kv("uri_query")

    • 细分规则及对应的加工结果

      1. 使用GROK模式对字段request进行解析。

         也可以使用正则解析，请参见GROK函数和GROK模式参考。

         e_regex('request',grok("%{URIPROTO:uri_proto}://(?:%{USER:user}(?::[^@]*)?@)?(?:%{URIHOST:uri_domain})?(?:%{URIPATHPARAM:uri_param})?"))

         对应加工结果：

         uri_domain:  example.com
         uri_param:  /video/getlist/s?ver=3.2.3&app_type=supplier&os=Android8.1.0
         uri_proto:  https

      2. 使用GROK模式对字段uri_param进行解析。

         e_regex('uri_param',grok("%{GREEDYDATA:uri_path}\?%{GREEDYDATA:uri_query}"))

         对应加工结果：

         uri_path:  /video/getlist/s
         uri_query:  ver=3.2.3&app_type=supplier&os=Android8.1.0

      3. 对uri_param进行字段提取，具体操作如下：

         e_kv("uri_query")

         对应加工结果：

         app_type:  supplier
         os:  Android8.1.0
         ver:  3.2.3

• 加工结果

  预览处理后日志：

  __source__:  192.168.0.100
  __tag__:__client_ip__:  192.168.0.200
  __tag__:__receive_time__:  1563517113
  __topic__:  
  request:  https://example.com/video/getlist/s?ver=3.2.3&app_type=supplier&os=Android8.1.0
  uri_domain:  example.com
  uri_path:  /video/getlist/s
  uri_proto:  https
  uri_query:  ver=3.2.3&app_type=supplier&os=Android8.1.0
  app_type:  supplier
  os:  Android8.1.0
  ver:  3.2.3

  假如只有解析request需求，可以直接对字段request使用e_kv函数。例如：

  e_kv("request")

  预览处理后日志：

  __source__:  192.168.0.100
  __tag__:__client_ip__:  192.168.0.200
  __tag__:__receive_time__:  1563517113
  __topic__:  
  request:  https://example.com/video/getlist/s?ver=3.2.3&app_type=supplier&os=Android8.1.0
  app_type:  supplier
  os:  Android8.1.0
  ver:  3.2.3

• 进一步加工

  客户要提取其中动态字段ver、app_type和os等，加工规则如下。

  • 使用正则表达式

    e_regex("url", r"\b(\w+)=([^=&]+)", {r"\1": r"\2"})

  • 使用e_kv_delmit函数

    e_kv_delimit("url", pair_sep=r"?&")

• 方案总结

  对于大部分URL函数形式，都可使用以上函数进行解析。但是针对原始日志中的URL形式，使用e_kv函数已经足够，清晰明了而且形式简单。