匹配多行文本块的正则表达式

2025-01-20 09:07:00
admin
原创
130
摘要: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 newli...

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 Textgroup(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^$锚点与换行符匹配,但事实并非如此。在多行模式下,匹配换行符^紧接着的位置,并匹配换行符紧接着的位置。$

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),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)。

相关推荐
  政府信创国产化的10大政策解读一、信创国产化的背景与意义信创国产化,即信息技术应用创新国产化,是当前中国信息技术领域的一个重要发展方向。其核心在于通过自主研发和创新,实现信息技术应用的自主可控,减少对外部技术的依赖,并规避潜在的技术制裁和风险。随着全球信息技术竞争的加剧,以及某些国家对中国在科技领域的打压,信创国产化显...
工程项目管理   1590  
  为什么项目管理通常仍然耗时且低效?您是否还在反复更新电子表格、淹没在便利贴中并参加每周更新会议?这确实是耗费时间和精力。借助软件工具的帮助,您可以一目了然地全面了解您的项目。如今,国内外有足够多优秀的项目管理软件可以帮助您掌控每个项目。什么是项目管理软件?项目管理软件是广泛行业用于项目规划、资源分配和调度的软件。它使项...
项目管理软件   1361  
  信创产品在政府采购中的占比分析随着信息技术的飞速发展以及国家对信息安全重视程度的不断提高,信创产业应运而生并迅速崛起。信创,即信息技术应用创新,旨在实现信息技术领域的自主可控,减少对国外技术的依赖,保障国家信息安全。政府采购作为推动信创产业发展的重要力量,其对信创产品的采购占比情况备受关注。这不仅关系到信创产业的发展前...
信创和国产化的区别   18  
  信创,即信息技术应用创新产业,旨在实现信息技术领域的自主可控,摆脱对国外技术的依赖。近年来,国货国用信创发展势头迅猛,在诸多领域取得了显著成果。这一发展趋势对科技创新产生了深远的推动作用,不仅提升了我国在信息技术领域的自主创新能力,还为经济社会的数字化转型提供了坚实支撑。信创推动核心技术突破信创产业的发展促使企业和科研...
信创工作   18  
  信创技术,即信息技术应用创新产业,旨在实现信息技术领域的自主可控与安全可靠。近年来,信创技术发展迅猛,对中小企业产生了深远的影响,带来了诸多不可忽视的价值。在数字化转型的浪潮中,中小企业面临着激烈的市场竞争和复杂多变的环境,信创技术的出现为它们提供了新的发展机遇和支撑。信创技术对中小企业的影响技术架构变革信创技术促使中...
信创国产化   19  
热门文章
项目管理软件有哪些?
云禅道AD
禅道项目管理软件

云端的项目管理软件

尊享禅道项目软件收费版功能

无需维护,随时随地协同办公

内置subversion和git源码管理

每天备份,随时转为私有部署

免费试用