正则表达式删除直到特定字符的新行答案

【问题标题】：Regex to remove new lines up to a specific character正则表达式删除直到特定字符的新行
【发布时间】：2013-02-10 18:18:55
【问题描述】：

我在一个格式的文件中有一系列字符串：

>HEADER_Text1
Information here, yada yada yada
Some more information here, yada yada yada
Even some more information here, yada yada yada
>HEADER_Text2
Information here, yada yada yada
Some more information here, yada yada yada
Even some more information here, yada yada yada
>HEADER_Text3
Information here, yada yada yada
Some more information here, yada yada yada
Even some more information here, yada yada yada

我正在尝试找到一个正则表达式模式，它将删除下一个 > 字符之间的 > 字符下方的新行字符。所以最终的结果是这样的：

>HEADER_Text1
Information here, yada yada yada Some more information here, yada yada yada Even some more information here, yada yada yada
>HEADER_Text2
Information here, yada yada yada Some more information here, yada yada yada Even some more information here, yada yada yada
>HEADER_Text3
Information here, yada yada yada Some more information here, yada yada yada Even some more information here, yada yada yada

有谁知道我如何想出一个正则表达式模式来做到这一点？

旁注：这种格式在计算科学中作为 FASTA 格式很常见。

谢谢！

【问题讨论】：

有很好的 FASTA 格式的 Python 解析器，你不需要自己实现。如果您从事基因组学，请考虑使用BioPython，如果您从事蛋白质组学，请考虑使用pyteomics（我开发的）。两者都可以很好地解析，但它们具有更多特定于字段的其他功能。

标签： python regex fasta

【解决方案1】：

如 cmets 中所述，最好的办法是使用现有的 FASTA 解析器。为什么不呢？

以下是我如何根据前导大于号加入行：

def joinup(f):
    buf = []
    for line in f:
        if line.startswith('>'):
            if buf:
                yield " ".join(buf)
            yield line.rstrip()
            buf = []
        else:
            buf.append(line.rstrip())
    yield " ".join(buf)

for joined_line in joinup(open("...")):
    # blah blah...

【讨论】：

【解决方案2】：

你不必使用正则表达式：

[ x.startswith('>') and x or x.replace('\n','') for x in f.readlines()]

应该可以。

In [43]: f=open('test.txt')

In [44]: contents=[ x.startswith('>') and x or x.replace('\n','') for x in f.readlines()]                                                                                   

In [45]: contents
Out[45]: 
['>HEADER_Text1\n',
 'Information here, yada yada yada',
 'Some more information here, yada yada yada',
 'Even some more information here, yada yada yada',
 '>HEADER_Text2\n',
 'Information here, yada yada yada',
 'Some more information here, yada yada yada',
 'Even some more information here, yada yada yada',
 '>HEADER_Text3\n',
 'Information here, yada yada yada',
 'Some more information here, yada yada yada',
 'Even some more information here, yada yada yada']

【讨论】：

这似乎没有回答 OP 的问题，即加入不以 > 开头的行。
如果你做一个简单的调整——让以 > 开头的行在那之前也有一个\n，然后加入并修剪它会回答 OP 的问题。

【解决方案3】：

这也应该有效。

sampleText=""">HEADER_Text1 信息在这里，yada yada yada 更多信息在这里，yada yada yada 这里还有更多信息，yada yada yada

HEADER_Text2 信息在这里，yada yada yada 更多信息在这里，yada yada yada 这里还有更多信息，yada yada yada HEADER_Text3 信息在这里，yada yada yada 更多信息在这里，yada yada yada 这里还有更多信息，yada yada yada""""

cleartext = re.sub("\n(?!>)", "", sampleText)

打印明文

HEADER_Text1信息在这里，yada yada yadaSome more information here, yada yada yadaEven some more information here, yada yada yada HEADER_Text2这里有信息，yada yada yada这里有更多信息，yada yada yada这里还有更多信息，yada yada yada HEADER_Text3这里有信息，yada yada yada这里有更多信息，yada yada yada这里还有更多信息，yada yada yada

【讨论】：

鉴于您的答案格式很难确定您提出的答案是什么。

【解决方案4】：

鉴于 > 总是被认为是新行的第一个字符

"\n([^>])" 与 "\1"

【讨论】：

【解决方案5】：

你真的不想要正则表达式。而对于这项工作，python 和 biopython 是多余的。如果这实际上是 FASTQ 格式，只需使用 sed:

sed '/^>/ { N; N; N; s/\n/ /2g }' file

结果：

>HEADER_Text1
Information here, yada yada yada Some more information here, yada yada yada Even some more information here, yada yada yada
>HEADER_Text2
Information here, yada yada yada Some more information here, yada yada yada Even some more information here, yada yada yada
>HEADER_Text3
Information here, yada yada yada Some more information here, yada yada yada Even some more information here, yada yada yada

【讨论】：