匹配多行文本块的正则表达式
- 2025-01-20 09:07:00
- admin 原创
- 131
问题描述：
在匹配跨多行的文本时，我遇到了一些 Python 正则表达式无法正常工作的问题。示例文本为（`
`是换行符）
some Varying TEXT
DSJFKDAFJKDAFJDSAKFJADSFLKDLAFKDSAF
[more of the above, ending with a newline]
[yep, there is a variable number of lines here]
(repeat the above a few hundred times).
我想捕捉两件事：
部分
some Varying TEXT一次捕获下面两行的所有大写文本行（我可以稍后删除换行符）。
我尝试了几种方法：
re.compile(r"^>(w+)$$([.$]+)^$", re.MULTILINE) # try to capture both parts
re.compile(r"(^[^>][ws]+)$", re.MULTILINE|re.DOTALL) # just textlines
... 以及许多类似的变体，但都没有成功。最后一个似乎逐行匹配文本行，这不是我真正想要的。我可以捕获第一部分，没有问题，但我似乎无法捕获 4-5 行大写文本。我希望match.group(1)是line1+line2+line3+etc some Varying Text，group(2)直到遇到空行。
如果有人好奇的话，它应该是构成蛋白质的氨基酸序列。
解决方案 1：
尝试一下：
re.compile(r"^(.+)
((?:
.+)+)", re.MULTILINE)
我认为你最大的问题是你期望^和$锚点与换行符匹配，但事实并非如此。在多行模式下，匹配换行符后^紧接着的位置，并匹配换行符前紧接着的位置。$
还要注意，换行符可以由换行符 ( `)、回车符 ( ) 或回车符+换行符 (
`) 组成。如果您不确定目标文本是否仅使用换行符，则应使用这个更具包容性的正则表达式版本：
re.compile(r"^(.+)(?:
|
?)((?:(?:
|
?).+)+)", re.MULTILINE)
顺便说一句，您不想在这里使用 DOTALL 修饰符；您依赖于点匹配除换行符之外的所有内容的事实。
解决方案 2：
这将起作用：
>>> import re
>>> rx_sequence=re.compile(r"^(.+?)
((?:[A-Z]+
)+)",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会有用：`^(.+?)
((?:[A-Z]+
)+)`
第一个字符 (
^) 表示“从一行的开头开始”。请注意，它不匹配换行符本身（$ 也一样：它表示“换行符之前”，但它不匹配换行符本身）。Then`(.+?)
`表示“匹配尽可能少的字符（允许所有字符），直到达到两个换行符”。结果（不包含换行符）放在第一组中。
`[A-Z]+
`意思是“匹配尽可能多的大写字母，直到到达换行符。这定义了我所说的文本行。((?:textline)+)表示匹配一个或多个文本行，但不会将每一行放在一个组中。而是将所有文本行放在一个组中。`
`如果您想在末尾强制使用双换行符，您可以在正则表达式中添加 final 。此外，如果您不确定会得到什么类型的换行符（`
或
或），那么只需通过将每个出现的替换为来修复正则表达式。
``(?:
|
?)`
解决方案 3：
以下是匹配多行文本块的正则表达式：
import re
result = re.findall('(startText)(.+)((?:
.+)+)(endText)',input)
解决方案 4：
如果每个文件只有一个氨基酸序列，我根本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("
","")
return title, aminoacid_sequence
解决方案 5：
有时直接在字符串中指定标志作为内联标志会更方便：
"(?m)^A complete line$".
例如在单元测试中，使用assertRaisesRegeximport re 。这样，在调用断言之前，您不需要或编译正则表达式。
解决方案 6：
寻找：
^>([^
]+)[
]([A-Z
]+)
\1 = 一些变化的文本
\2 = 全部大写
编辑（证明这有效）：
text = """> some_Varying_TEXT
DSJFKDAFJKDAFJDSAKFJADSFLKDLAFKDSAF
GATACAACATAGGATACA
GGGGGAAAAAAAATTTTTTTTT
CCCCAAAA
> some_Varying_TEXT2
DJASDFHKJFHKSDHF
HHASGDFTERYTERE
GAGAGAGAGAG
PPPPPAAAAAAAAAAAAAAAP
"""
import re
regex = re.compile(r'^>([^
]+)[
]([A-Z
]+)', re.MULTILINE)
matches = [m.groups() for m in regex.finditer(text)]
#NOTE can be sorter with matches = re.findall(pattern, text, re.MULTILINE)
for m in matches:
print 'Name: %s
Sequence:%s' % (m[0], m[1])
解决方案 7：
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，您已将 someVaryingText 作为字符串，并将 acid 作为字符串列表。您可以执行以下操作"".join( acids )来生成单个字符串。
我发现这比多行正则表达式更不令人沮丧（并且更灵活）。
