使用正则表达式进行类型验证

Question

我说要学习正则表达式，我正在尝试使用它来解决问题。 我需要编写一个获取 VCF 文件的函数，并且需要检查文件中的某些列，看看它们是否符合要求。

第一列应以“chr”开头，以 1-99 之间的任意数字或字母“M,X,Y”之一结尾。 第二列必须是所有大于 0 的整数。 第 4 列和第 5 列需要是下一个字母“ATCG”之一（仅其中一个）。 如果其中一个语句即使在一行中也是错误的，它也应该返回 false。

这是我写的代码：

def isVCF(file):
    with open(file, "r+") as my_file:
        lines = my_file.readlines()
        for line in lines:
            columns = line.split("\t")
        num_format = re.compile("^[+]?[1-9][0-9]*\.?[0-9]+$")
        if (re.match(r"^chr(?:[1-9][0-9]?|[XYM])$", columns[0]) 
            and re.match(num_format, columns[1])
            and re.match(r"^[ATGC]$", columns[3]) 
            and re.match(r"^[ATGC]$", columns[4])): 
            return True
        else:
            return False

我检查了两个文件 - 一个应该返回 True，另一个应该返回 False，但我对它们都得到 True，所以我尝试逐行进行测试，但仍然得到 True。 文件示例：

ChrX, 74226650, ., T, C, 50, ., DP=385;VDB=0;SGB=-0.693147;RPB=0.982669;MQB=1;BQB=0.947576;MQ0F=0;AC=2;AN=2;DP4=0,95,0,289;MQ=20, GT:PL:DP, 1/1:78,127,0:384

输出应该是或真或假取决于条件。

感谢任何帮助！

Answer 1

你需要一一解决问题：

• 第一列应该以chr 开头并以1-99 之间的任意数字或M,X,Y 中的一个字母结尾 - chr(?:0?[1-9]|[1-9][0-9]|[MXY])
• 第二列必须是大于 0 的所有 int 数字 - 0*[1-9][0-9]*
• 第 4 列和第 5 列必须是下一个字母“ATCG”之一（仅其中一个） - [ATCG]。

现在，考虑到列分隔符是您在代码示例中使用的分隔符（TAB 字符，\t），您可以使用

def isVCF(file):
    num_format = re.compile(r"^chr(?:0?[1-9]|[1-9][0-9]|[MXY])\t0*[1-9][0-9]*\t[^\t]*(?:\t[ATCG]){2}\t", re.I)
    with open(file, "r+") as my_file:
        for line in my_file:
            if not num_format.match(line):
                return False
        return False

请参阅regex demo。

注意，我使用re.I 来启用不区分大小写，因为您在问题中同时使用了chr 和Chr，如果您只需要以这种方式匹配Chr 和chr，请删除re.I 和将chr 替换为(?i:chr)。

详情：

• ^ - 字符串开头
• chr（第 1 列的开头） - chr 字符串
• (?:0?[1-9]|[1-9][0-9]|[MXY])（第 1 列末尾）：可选的 0，然后是一个非零数字，或从 1 到 9 的数字，然后是任意一位数字（0 - 99），或一封来自MXY的信
• \t - 一个标签
• 0*[1-9][0-9]*（第 2 列）：零个或多个 0s，一个非零数字，然后是任何零个或多个数字
• \t - 一个标签
• [^\t]*（第 3 列）- 除制表符之外的任何零个或多个字符
• (?:\t[ATCG]){2}（第 4 列和第 5 列）- 制表符，来自 ATCG 的字母集，两次
• \t - 一个标签。