正则表达式匹配多行文本块

Question

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。

Answer 1

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。

Answer 2

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)+)

• 第一个字符（^）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）。
• 然后(.+?)\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。
• 如果要在结尾处强制使用双换行符，可以在正则表达式中添加最终的\n。
• 此外，如果您不确定将获得什么类型的换行符（\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。

Answer 3

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

Answer 4

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])

Answer 5

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)

Answer 6

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）。