匹配多行文本块的正则表达式

Question

在匹配跨多行的文本时，我在让 Python 正则表达式工作时遇到了一些麻烦。示例文本是（'\n' 是换行符）

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).

我想捕获两件事：“some_Varying_TEXT”部分，以及一次捕获中位于其下方两行的所有大写文本行（我可以稍后去掉换行符）。 我尝试了几种方法：

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

还有很多没有运气的变化。最后一个似乎与文本的行一一匹配，这不是我真正想要的。我可以捕捉第一部分，没问题，但我似乎无法捕捉 4-5 行大写文本。 我希望 match.group(1) 成为 some_Varying_Text 和 group(2) 成为 line1+line2+line3+etc 直到遇到空行。

如果有人好奇，它应该是构成蛋白质的氨基酸序列。

Answer 1

试试这个：

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

我认为您最大的问题是您希望 ^ 和 $ 锚匹配换行符，但事实并非如此。在多行模式下，^ 匹配紧随换行符的位置，$ 匹配紧接换行符之前的位置。

还要注意，换行符可以由换行符 (\n)、回车符 (\r) 或回车符+换行符 (\r\n) 组成。如果您不确定您的目标文本是否仅使用换行符，您应该使用这个更具包容性的正则表达式版本：

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

顺便说一句，你不想在这里使用 DOTALL 修饰符；您依赖于点匹配所有除了换行符的事实。

Answer 2

以下是匹配多行文本块的正则表达式：

import re
result = re.findall('(startText)(.+)((?:\n.+)+)(endText)',input)

Answer 3

这将起作用：

>>> 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

---

关于这个正则表达式的一些解释可能有用：^(.+?)\n\n((?:[A-Z]+\n)+)

• 第一个字符 (^) 表示“从行首开始”。请注意，它与换行符本身不匹配（$ 也是如此：它的意思是“就在换行符之前”，但它与换行符本身不匹配）。
• 然后(.+?)\n\n 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（没有换行符）放在第一组中。
• [A-Z]+\n 的意思是“匹配尽可能多的大写字母，直到到达换行符。这定义了我将称之为 textline 的内容。
• ((?:textline)+) 表示匹配一个或多个textlines，但不要将每一行放在一个组中。而是将所有 文本行放在一个组中。
• 如果要在末尾强制使用双换行符，可以在正则表达式中添加最后一个 \n。
• 此外，如果您不确定您将获得哪种类型的换行符（\n 或 \r 或 \r\n），则只需通过将每次出现的 \n 替换为 (?:\n|\r\n?) 来修复正则表达式。

Answer 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("\n","")
    return title, aminoacid_sequence

Answer 5

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，您将 someVaryingText 作为字符串，将酸作为字符串列表。 您可以使用"".join( acids ) 来制作单个字符串。

我发现这比多行正则表达式不那么令人沮丧（而且更灵活）。

Answer 6

找到：

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

\1 = some_variing_text

\2 = 所有大写字母的行

编辑（证明可行）：

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])