优化 R 中的正则表达式以提取子字符串

Question

我有一个关于先前答案的后续问题，可以在这里找到：Split uneven string in R - variable substring and delimiters

总之，我想在一个遵循这种模式的字符串中提取粗体文本：

sp|Q2UVX4|CO3_BOVIN **Complement C3** OS=Bos taurus OX=9913 GN=**C3** PE=1 SV=2

这是 Martin Gal 提供的部分答案：

protein_name = ifelse(str_detect(string, ".*_BOVIN\\s(.*?)\\sOS=.*"), 
                      str_replace(string, ".*_BOVIN\\s(.*?)\\sOS=.*", "\\1"),
                      NA_character_),

他的回答非常好，但有时我有多种物种（例如：BOVIN 和 HUMAN），所以我想让代码更灵活一点。我尝试只使用空格(\\s) 和带有空格([A-Z]\\s) 的大写字母，但第一个失败，第二个对于某些字符串不准确。然后我将 Martin 的方法与以大写字母结尾的字符串混合，旨在选择整个第一个块作为分隔符（例如：sp|Q2UVX4|CO3_BOVIN）。

到这里：

protein_name = ifelse(str_detect(string, "[a-z]{2}\\|(.*?)[A-Z]\\s(.*?)\\sOS=.*"), 
                      str_replace(string, "[a-z]{2}\\|(.*?)[A-Z]\\s(.*?)\\sOS=.*", "\\2")

• 在这种情况下，选择两种模式之间的所有内容的最佳方法是什么？这两种模式是“sp”和大写字母后跟一个空格。
• 我使用了(.*?)，这是最好的方法吗？

Answer 1

您的“最佳”模式始终是满足您所有要求的模式。所以，总是从定义要求开始：比赛应该以...开头，以下字符可以出现在这里，那里...并且比赛应该以...结束

因此，在您的情况下，您似乎放弃了中间检查而只使用

library(stringr)
str_match(string, '[a-z]{2}\\|[|\\w]*[A-Z]\\s+(.*?)\\s+OS=')[,2]

由于stringr::str_match 保留所有捕获，因此当您必须匹配复杂上下文中的某些模式时，它会非常有用。 [,2] 访问第 1 组的内容。

正则表达式匹配：

• [a-z]{2} - 两个小写 ASCII 字母（这里，性能没有问题，当你告诉正则表达式匹配单个字符重复 X 次时，这非常有效）
• \| - 一个 | 字符（同样，这很好，文字匹配效率很高）
• [|\w]* - 零个或多个 | 或单词字符（这很容易回溯，因为下一个模式匹配一​​个大写字母，这也是一个单词字符，但在这里，我们需要这个回溯）
• [A-Z] - 一个大写的 ASCII 字母
• \s+ - 一个或多个空格字符
• (.*?) - 第 1 组：除换行符之外的零个或多个字符尽可能少（这是这里最消耗资源的模式，因为如果后续模式不匹配，它将在 char 之后扩展 char；而且，它确实默认不匹配换行符，如果有换行符需要((?s:.*?)))
• \s+ - 一个或多个空格字符
• OS= - OS= 子字符串。

请参阅regex demo。见the R demo:

string <- 'sp|Q2UVX4|CO3_BOVIN Complement C3 OS=Bos taurus OX=9913 GN=C3 PE=1 SV=2'
library(stringr)
str_match(string, '[a-z]{2}\\|[|\\w]*[A-Z]\\s+(.*?)\\s+OS=')[,2]

输出：

# => [1] "Complement C3"

如果您需要优化.*? 模式，您需要阅读并学习使用unroll-the-loop approach。 Tl;博士：

[a-z]{2}\|[|\w]*[A-Z]\s+(\S*(?:\s(?!\s*OS=)\S*)*)\s+OS=

见this regex demo。

.*? 被转换为 \S*(?:\s(?!\s*OS=)\S*)*（参见后续模式被“缝入”这个构造），它匹配

• \S* - 零个或多个非空白字符
• (?:\s(?!\s*OS=)\S*)* - 零个或多个任何空白序列，不紧跟零个或多个空格和OS=，然后是零个或多个非空白字符。

Answer 2

可以这样解决：

str_extract_all(string, "(?<=(?:BOVIN|HUMAN) )(.*?)(?= OS).*?GN=(\\w+)") %>%
   map_df(~read.table(text=str_replace(.,"OS.*GN", ""), sep="=",
             col.names = c('protein_name', 'gene')), .id='grp')
   grp                                                                protein_name   gene
1    1                                                              Complement C3      C3
2    1                                                                  C3-beta-c      C3
3    1                                                                  C3-beta-c      C3
4    2                                                                Haptoglobin      HP
5    2                                                                Haptoglobin      HP
6    2                                                                Haptoglobin      HP
7    3                                                     Anion exchange protein  SLC4A7
8    4                                        Isoform V3 of Versican core protein    VCAN
9    4                                        Isoform V2 of Versican core protein    VCAN
10   4                                                      Versican core protein    VCAN
11   5 Keratin 10 (Epidermolytic hyperkeratosis; keratosis palmaris et plantaris)   KRT10
12   5                                            Keratin, type I cytoskeletal 10   KRT10

您还可以使用以下内容。请注意，as_tibble 不是必需的。用它来获得漂亮的结果

unlist(strsplit(string, "\\w{2}=\\w+\\K;", perl = TRUE))%>%
   sub(".*?(?:BOVIN|HUMAN) (.*?)(?= OS).*?GN=(\\w+).*|.*",  "\\1:\\2", ., perl = TRUE) %>%
   read.table(text=., sep=":") %>%
   as_tibble()

 A tibble: 14 x 2
   V1                                                                           V2      
   <chr>                                                                        <chr>   
 1 "Complement C3"                                                              "C3"    
 2 "C3-beta-c"                                                                  "C3"    
 3 "C3-beta-c"                                                                  "C3"    
 4 ""                                                                           ""      
 5 "Haptoglobin"                                                                "HP"    
 6 "Haptoglobin"                                                                "HP"    
 7 "Haptoglobin"                                                                "HP"    
 8 ""                                                                           ""      
 9 "Anion exchange protein"                                                     "SLC4A7"
10 "Isoform V3 of Versican core protein"                                        "VCAN"  
11 "Isoform V2 of Versican core protein"                                        "VCAN"  
12 "Versican core protein"                                                      "VCAN"  
13 "Keratin 10 (Epidermolytic hyperkeratosis; keratosis palmaris et plantaris)" "KRT10" 
14 "Keratin, type I cytoskeletal 10"                                            "KRT10"