在匹配跨越多行的文本时,我在使用Python正则表达式时遇到了一些麻烦。示例文本是('\ n'是换行符)
some Varying TEXT\n
\n
DSJFKDAFJKDAFJDSAKFJADSFLKDLAFKDSAF\n
[more of the above, ending with a newline]\n
[yep, there is a variable number of lines here]\n
\n
(repeat the above a few hundred times).
我想捕获两件事:'some_Varying_TEXT'部分,以及在一次捕获中位于其下方两行的大写文本的所有行(我可以稍后删除换行符)。我试过几种方法:
re.compile(r"^>(\w+)$$([.$]+)^$", re.MULTILINE) # try to capture both parts
re.compile(r"(^[^>][\w\s]+)$", re.MULTILINE|re.DOTALL) # just textlines
并且有很多变化没有运气。最后一个似乎逐个匹配文本行,这不是我真正想要的。我可以抓住第一部分,没问题,但我似乎无法捕捉4-5行的大写文本。我想match.group(1)是some_Varying_Text,group(2)是line1 + line2 + line3 +等,直到遇到空行。
如果有人好奇,它应该是构成蛋白质的一系列氨基酸。
试试这个:
re.compile(r"^(.+)\n((?:\n.+)+)", re.MULTILINE)
我认为你最大的问题是你期望^
和$
锚点匹配换行符,但他们没有。在多线模式下,^
匹配紧接在换行符后面的位置,$
匹配紧接在换行符之前的位置。
还要注意,换行符可以包含换行符(\ n),回车符(\ r)或回车符+换行符(\ r \ n)。如果您不确定目标文本是否仅使用换行符,则应使用此更具包容性的正则表达式版本:
re.compile(r"^(.+)(?:\n|\r\n?)((?:(?:\n|\r\n?).+)+)", re.MULTILINE)
顺便说一下,你不想在这里使用DOTALL修饰符;你依赖于点匹配除换行之外的所有事实。
这将有效:
>>> import re
>>> rx_sequence=re.compile(r"^(.+?)\n\n((?:[A-Z]+\n)+)",re.MULTILINE)
>>> rx_blanks=re.compile(r"\W+") # to remove blanks and newlines
>>> text="""Some varying text1
...
... AAABBBBBBCCCCCCDDDDDDD
... EEEEEEEFFFFFFFFGGGGGGG
... HHHHHHIIIIIJJJJJJJKKKK
...
... Some varying text 2
...
... LLLLLMMMMMMNNNNNNNOOOO
... PPPPPPPQQQQQQRRRRRRSSS
... TTTTTUUUUUVVVVVVWWWWWW
... """
>>> for match in rx_sequence.finditer(text):
... title, sequence = match.groups()
... title = title.strip()
... sequence = rx_blanks.sub("",sequence)
... print "Title:",title
... print "Sequence:",sequence
... print
...
Title: Some varying text1
Sequence: AAABBBBBBCCCCCCDDDDDDDEEEEEEEFFFFFFFFGGGGGGGHHHHHHIIIIIJJJJJJJKKKK
Title: Some varying text 2
Sequence: LLLLLMMMMMMNNNNNNNOOOOPPPPPPPQQQQQQRRRRRRSSSTTTTTUUUUUVVVVVVWWWWWW
关于这个正则表达式的一些解释可能是有用的:^(.+?)\n\n((?:[A-Z]+\n)+)
^
)表示“从一行开始”。请注意,它与换行符本身不匹配(对于$表示相同:它表示“就在换行符之前”,但它与换行符本身不匹配)。(.+?)\n\n
意味着“匹配尽可能少的字符(允许所有字符),直到你达到两个换行符”。结果(没有换行符)放在第一组中。[A-Z]+\n
的意思是“匹配尽可能多的大写字母,直到你到达换行符。这定义了我将称之为文本行。((?:
textline)+)
表示匹配一个或多个文本行,但不将每行放在一个组中。相反,将所有文本行放在一个组中。\n
。\n
或\r
或\r\n
),那么只需通过用\n
替换每次出现的(?:\n|\r\n?)
来修复正则表达式。如果每个文件只有一个氨基酸序列,我就不会使用正则表达式。就像这样:
def read_amino_acid_sequence(path):
with open(path) as sequence_file:
title = sequence_file.readline() # read 1st line
aminoacid_sequence = sequence_file.read() # read the rest
# some cleanup, if necessary
title = title.strip() # remove trailing white spaces and newline
aminoacid_sequence = aminoacid_sequence.replace(" ","").replace("\n","")
return title, aminoacid_sequence
找:
^>([^\n\r]+)[\n\r]([A-Z\n\r]+)
\ 1 = some_varying_text
\ 2 =所有CAPS的行数
编辑(证明这是有效的):
text = """> some_Varying_TEXT
DSJFKDAFJKDAFJDSAKFJADSFLKDLAFKDSAF
GATACAACATAGGATACA
GGGGGAAAAAAAATTTTTTTTT
CCCCAAAA
> some_Varying_TEXT2
DJASDFHKJFHKSDHF
HHASGDFTERYTERE
GAGAGAGAGAG
PPPPPAAAAAAAAAAAAAAAP
"""
import re
regex = re.compile(r'^>([^\n\r]+)[\n\r]([A-Z\n\r]+)', re.MULTILINE)
matches = [m.groups() for m in regex.finditer(text)]
for m in matches:
print 'Name: %s\nSequence:%s' % (m[0], m[1])
以下是匹配多行文本块的正则表达式:
import re
result = re.findall('(startText)(.+)((?:\n.+)+)(endText)',input)
我的偏好。
lineIter= iter(aFile)
for line in lineIter:
if line.startswith( ">" ):
someVaryingText= line
break
assert len( lineIter.next().strip() ) == 0
acids= []
for line in lineIter:
if len(line.strip()) == 0:
break
acids.append( line )
此时,您将一些变量文本作为字符串,并将酸作为字符串列表。你可以做"".join( acids )
来制作一个单独的字符串。
我觉得这比多线正则表达式更令人沮丧(也更灵活)。