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.
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.
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?)
.
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
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])
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.
ниже приведено регулярное выражение, соответствующее многострочному блоку текста:
import re
result = re.findall('(startText)(.+)((?:\n.+)+)(endText)',input)