Регулярное выражение, соответствующее многострочному блоку текста

У меня возникли проблемы с тем, что регулярное выражение Python будет работать при сопоставлении с текстом, охватывающим несколько строк. Текст примера ('\n' является символом новой строки)

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).

Я хотел бы записать две вещи: часть "some_Varying_TEXT" и все строки верхнего регистра, которые идут на две строки ниже в одном захвате (я могу позже вычеркнуть символы новой строки). Я попытался с несколькими подходами:

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

и множество вариаций здесь без везения. Последний, похоже, соответствует строкам текста один за другим, чего я не хочу. Я могу поймать первую часть, без проблем, но, похоже, я не могу поймать 4-5 строк текста в верхнем регистре. Я хотел бы, чтобы match.group(1) был some_Varying_Text и group (2), чтобы быть line1 + line2 + line3 + и т.д. До тех пор, пока не встретится пустая строка.

Если кому-то интересно, то он должен быть последовательностью аминокислот, составляющих белок.

Ответы

Ответ 1

Попробуйте следующее:

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

Я думаю, что ваша самая большая проблема заключается в том, что вы ожидаете, что привязки ^ и $ соответствуют соответствиям строк, но они этого не делают. В многострочном режиме ^ соответствует позиции сразу после новой строки, а $ соответствует позиции, непосредственно предшествующей новой строке.

Имейте в виду, что новая строка может состоять из перевода строки (\n), возврата каретки (\ r) или возврата каретки + строки (\ r\n). Если вы не уверены, что ваш целевой текст использует только переводы строк, вы должны использовать эту более инклюзивную версию регулярного выражения:

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 всем, кроме строк новой строки.

Ответ 2

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

Может быть полезно некоторое объяснение этого регулярного выражения: ^(.+?)\n\n((?:[A-Z]+\n)+)

  • Первый символ (^) означает "начало в начале строки". Имейте в виду, что он не соответствует самой новой строке (то же самое для $: это означает "прямо перед новой строкой", но она не соответствует самой новой строке).
  • Тогда (.+?)\n\n означает "соответствовать как можно меньше символов (все символы разрешены), пока вы не достигнете двух строк новой строки". Результат (без новых строк) помещается в первую группу.
  • [A-Z]+\n означает "совпадение как можно большего количества букв верхнего регистра, пока вы не достигнете новой строки. Это определяет, что я буду называть текстовой линией.
  • ((?: textline )+) означает соответствие одной или нескольким текстовым строкам, но не помещает каждую строку в группу. Вместо этого разместите все текстовые строки в одной группе.
  • Вы можете добавить окончательный \n в регулярное выражение, 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), просто исправьте регулярное выражение, заменив каждое событие \n на (?:\n|\r\n?).

Ответ 3

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

Ответ 4

находка:

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

\ 1 = some_varying_text

\ 2 = строки всех CAPS

Изменить (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])

Ответ 5

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 )

В этот момент у вас есть someVaryingText в виде строки, а кислоты - как список строк. Вы можете сделать "".join( acids ), чтобы создать одну строку.

Я нахожу это менее расстраивающим (и более гибким), чем многострочные регулярные выражения.