Лог — это текст, а текст удобно искать регулярками. Но между «нашёл строку глазами» и «разобрал миллион строк за секунды» есть разница: одни шаблоны работают мгновенно, другие вешают процесс. Ниже — практический минимум для логов веб-сервера и приложения.

Зачем парсить логи регулярками

Типовые задачи одинаковы: найти все ответы 5xx за час, посмотреть самые частые URL, вытащить IP с подозрительной активностью, построить отчёт по времени ответа. Для разового вопроса хватает grep. Для повторяющейся обработки нужен разбор в код.

Главное — не пытаться одной регуляркой покрыть весь формат целиком. Достаточно вытащить нужные поля, а остальное оставить как есть.

Строка и шаблон

Возьмём формат combined у nginx:

127.0.0.1 - - [29/Oct/2026:21:14:02 +0300] "GET /articles/php/ HTTP/1.1" 200 5123 "-" "Mozilla/5.0"

Шаблон с именованными группами в синтаксисе PCRE:

~^(?P<ip>\S+) \S+ \S+ \[(?P<time>[^\]]+)\] "(?P<method>[A-Z]+) (?P<path>\S+)[^"]*" (?P<status>\d{3}) (?P<bytes>\d+|-)~

Разберём по частям. ^ привязывает шаблон к началу строки. \S+ — IP без пробелов. Квадратные скобки вокруг времени экранированы, потому что иначе это класс символов. [^\]]+ означает «всё до закрывающей скобки». Кавычки в шаблоне стоят как обычные символы.

Именованные группы (?P<name>) удобнее нумерованных: при правке шаблона не придётся пересчитывать индексы.

Поиск через grep и ripgrep

Для быстрых вопросов хватает командной строки:

grep -E ' (5[0-9]{2}) ' access.log
rg -o '"GET [^"]+"' access.log | sort | uniq -c | sort -rn | head -20
rg '^203\.0\.113\.' access.log

grep -E включает расширенный синтаксис. rg (ripgrep) быстрее на больших файлах и по умолчанию пропускает бинарные. -o выводит только совпадение, что удобно для подсчётов через sort | uniq -c.

Если шаблон содержит точку, помните: . — любой символ. Для буквальной точки нужно \.. Это самая частая причина «странных» совпадений в IP и версиях.

Жадность и границы

.* захватывает максимум возможного, .*? — минимум. В разборе логов жадность обычно вредна: "(.*)" на строке с несколькими кавычками захватит слишком много. Надёжнее отрицательный класс: "([^"]*)".

Границы \b помогают искать целые слова, но с кириллицей и подчёркиваниями работают не всегда интуитивно. Если сомневаетесь, задайте явные разделители: пробел, кавычку, начало строки.

Для поиска по многострочным записям (стек вызовов, JSON в логе) используйте флаг s, чтобы . совпадал с переводом строки, и m, чтобы ^ и $ работали на каждой строке. Без этого шаблон будет вести себя не так, как ожидается.

Производительность и бэктрекинг

PCRE перебирает варианты. Шаблон вида ^(a+)+$ на строке из тридцати a и одном b может считаться минутами. В логах такая комбинация встречается случайно, и один запрос способен положить обработчик.

Правила простые:

  • не ставьте .* в начало шаблона без необходимости;
  • заменяйте неоднозначные повторы на конкретные классы [^"]*;
  • используйте притяжательные кванторы ++ и атомарные группы (?>...), если уверены в данных;
  • ограничивайте длину строки до вызова preg_match();
  • проверяйте pcre.backtrack_limit и обрабатывайте PREG_BACKTRACK_LIMIT_ERROR.

Ещё один источник тормозов — компиляция шаблона в цикле. В PHP шаблон кэшируется автоматически, но вызов preg_match() на каждой строке всё равно дороже, чем один проход preg_match_all() по заранее прочитанному блоку. Для гигабайтных файлов читайте построчно и не держите всё в памяти.

Разбор в PHP

$pattern = '~^(?P<ip>\S+) \S+ \S+ \[(?P<time>[^\]]+)\] '
    . '"(?P<method>[A-Z]+) (?P<path>\S+)[^"]*" '
    . '(?P<status>\d{3}) (?P<bytes>\d+|-)~';

$fh = fopen($path, 'rb');

while (($line = fgets($fh)) !== false) {
    if (! preg_match($pattern, $line, $m)) {
        continue;
    }

    $row = [
        'ip' => $m['ip'],
        'status' => (int) $m['status'],
        'path' => $m['path'],
        'bytes' => $m['bytes'] === '-' ? 0 : (int) $m['bytes'],
    ];
}

fclose($fh);

Обратите внимание на приведение типов: preg_match() всегда возвращает строки, даже для чисел. Прочерк в поле размера означает отсутствие тела ответа, и (int) '-' даст ноль, что иногда скрывает проблему.

Если строки не совпадают, не выбрасывайте их молча в проде: считайте долю неразобранных. Резкий рост — сигнал, что формат лога изменился после обновления сервера.

Когда регулярки не нужны

JSON-логи разбирайте через json_decode(), а не регулярками. CSV — через fgetcsv(). Регулярка уместна для строк с фиксированной структурой, но как только появляются вложенные кавычки и экранирование, ручной шаблон становится хрупким.

Для сравнения двух логов или конфигов после правок удобно сравнение кода: оно показывает построчные различия и не требует установки. А если нужно быстро раскодировать URL внутри лога, выручит декодер.

Коротко

  • вытаскивайте только нужные поля, не разбирайте строку целиком;
  • используйте именованные группы и отрицательные классы вместо .*;
  • для разовых задач хватает grep -E и rg;
  • следите за бэктрекингом и длиной строки;
  • JSON и CSV разбирайте профильными функциями.