Регулярные выражения многострочный блок текста

у меня возникли проблемы с получением регулярного выражения Python для работы при сопоставлении с текстом, который охватывает несколько строк. Пример текста: ('n ' - это новая строка)

some Varying TEXTn
n
DSJFKDAFJKDAFJDSAKFJADSFLKDLAFKDSAFn
[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).

Я хотел бы захватить две вещи: часть "some_Varying_TEXT" и все строки текста в верхнем регистре, которые идут двумя строками ниже него в одном захвате (я могу удалить символы новой строки позже). Я пробовал с несколькими подходами:

re.compile(r"^>(w+)$$([.$]+)^$", re.MULTILINE) # try to capture both parts
re.compile(r"(^[^>][ws]+)$", re.MULTILINE|re.DOTALL) # just textlines

и много вариаций здесь без везения. Этот последний, кажется, соответствует строкам текста один за другим, что не то, что я действительно хочу. Я могу поймать первую часть, без проблем, но я не могу поймать 4-5 строк текста в верхнем регистре. Я бы хотел спички.группа(1) должна быть some_Varying_Text и группа (2) должна быть line1+line2+line3+etc, пока не будет найдена пустая строка.

Если кому-то интересно, это должна быть последовательность аминокислот, которые составляют белок.

70
multiline python regex

6 ответов

попробуйте это:

re.compile(r"^(.+)\n((?:\n.+)+)", re.MULTILINE)

Я думаю, что ваша самая большая проблема в том, что вы ожидаете ^ и $ якоря, чтобы соответствовать linefeeds, но они этого не делают. В многострочном режиме,^ соответствует позиции немедленно после новая строка и $ соответствует позиции немедленно предыдущий символ.

также имейте в виду, что новая строка может состоять из linefeed (\n), carriage-return (\r) или carriage-return+linefeed (\r\n). Если вы не уверены, что ваш целевой текст использует только linefeeds, вы должны использовать эту более включительную версию regex:

re.compile(r"^(.+)(?:\n|\r\n?)((?:(?:\n|\r\n?).+)+)", re.MULTILINE)

кстати, вы не хотите использовать модификатор DOTALL здесь; вы полагаетесь на то, что точка соответствует всему за исключением переводы строк.

87

это будет работать:

>>> 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

некоторые объяснения об этом регулярном выражении могут быть полезны:^(.+?)\n\n((?:[A-Z]+\n)+)

  • первый символ (^) означает "начиная с начала строки". Имейте в виду, что он не соответствует самой новой строке (то же самое для $: это означает "непосредственно перед новой строкой", но он не соответствует самой новой строке).
  • затем (.+?)\n\n означает " сопоставить как можно меньше символов (все символы разрешены), пока вы достигаете двух новых линий". Результат (без новых строк) помещается в первую группу.
  • [A-Z]+\n означает " сопоставьте как можно больше букв верхнего регистра, пока не достигнете новой строки. Это определяет то, что я буду называть объект textline.
  • ((?:объект textline)+) означает соответствие один или несколько элементов текстовые строки но не помещайте каждую строку в группу. Вместо этого положите все the текстовые строки в одном группа.
  • вы можете добавить окончательный \n в регулярном выражении, если вы хотите применить двойную новую строку в конце.
  • кроме того, если вы не уверены в том, какой тип новой строки вы получите (\n или \r или \r\n) тогда просто исправьте регулярное выражение, заменив каждое вхождение \n by (?:\n|\r\n?).
18

Если каждый файл имеет только одну последовательность аминокислот, я бы вообще не использовал регулярные выражения. Просто что-то вроде этого:

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
5

найти:

^>([^\n\r]+)[\n\r]([A-Z\n\r]+)

\1 = some_varying_text

\2 = строк все шапки

Edit (доказательство того, что это работает):

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])
1

мои предпочтения.

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 )

на данный момент у вас есть someVaryingText как строка, а кислоты как список строк. Вы можете сделать "".join( acids ) сделать одну строку.

Я нахожу это менее разочаровывающим (и более гибким), чем многострочные регексы.

1

ниже приведено регулярное выражение, соответствующее многострочному блоку текста:

import re
result = re.findall('(startText)(.+)((?:\n.+)+)(endText)',input)
0