Çok satırlı bir metin bloğuyla eşleşen düzenli ifade

Question

Birden çok satıra yayılan metne karşılık gelirken çalışmak için bir Python ifadesini kullanmakta biraz sorun yaşıyorum. 'Some_Varying_TEXT' parçası ve bunun altında iki satır geliyor büyük metin satırı hepsi: örnek metin

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). 

iki şey yakalamak istiyorum ('\ n' bir satır olduğu) 'dir bir yakalama (daha sonra yeni satır karakterlerini çıkarabilirim). Birkaç yaklaşımlar ile denedim:

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

ve hiçbir şans ile buradaki varyasyonların çok. Sonuncusu, metin satırlarıyla tek tek eşleşiyor gibi görünüyor, aslında istediğim şey bu değil. İlk kısmı yakalayabilirim, sorun değil ama 4-5 satırlık büyük harfli metni yakalayamıyorum. Match.group (1) 'in, _ Varying _ Metin ve grup (2)' nin boş satır ile karşılaşılana kadar line1 + line2 + line3 + vb. Olmasını istiyorum. Birisi meraklıysa, bunun bir proteini oluşturan aminoasit dizisi olması gerekiyordu.

Answer 1

bu deneyin:

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

En büyük sorun linefeeds maç için ^ ve $ çapa bekliyorsanız olduğunu düşünüyorum, ama yok. Çok satırlı modda, ^,'u bir satırsonu ile hemen ile eşleştirir ve $, numaralı telefondan numaralı telefona yeni bir satır eklenir.

Ayrıca, bir satırsonu satır besleme (\ n), bir satır başı (\ r) veya bir satır başı + satır beslemesinden (\ r \ n) oluşabileceğini de unutmayın. Eğer hedef metin yalnızca linefeeds kullandığı değil eminseniz, sen regex bu daha kapsayıcı sürümünü kullanmalıdır: BTW

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

, buradan dotall değiştirici kullanmak istemiyoruz; noktanın, yeni satırları hariç, ile eşleştiğine güveniyorsunuz.

Answer 2

bulmak:

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

\ 1 = some_varying_text tüm CAPS

\ 2 = hatları

Düzenleme (bu çalıştığını kanıtı):

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]) 

Answer 3

Bu çalışacak:

>>> 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 

---

bu düzenli ifade hakkında bazı açıklamalar yararlı olabilir: (^) anlamına İlk karakter "Bir satırın başında başlayan" ^(.+?)\n\n((?:[A-Z]+\n)+)

• . Yeni satırın kendisiyle eşleşmediğine dikkat edin ($ için de aynıdır: "yeni satırdan hemen önce" anlamına gelir, ancak yeni satırın kendisiyle eşleşmez).
• O zaman (.+?)\n\n, "iki yeni satıra ulaşana kadar mümkün olduğunca az karakter (tüm karakterlere izin verilir)" anlamına gelir. Sonuç (yeni satırlar olmadan) ilk gruba konur.
• [A-Z]+\n vasıta "mümkün olduğunca maç gibi birçok büyük harf harf, bir satırbaşı ulaşana kadar. Bu benim bir TextLine öğesini diyecegimiz tanımlar.
• ((?:TextLine)+) maç bir veya daha fazla textlines demektir ama yapamaz bir gruptaki her satırı koydu. Bunun yerine, bir grupta tümtextlines koydu. Eğer bir çift yeni satır uygulamak istiyorsanız
• düzenli ifadede nihai \n ekleyebilir sonunda.Ayrıca
• , size (\n veya \r veya \r\n) sonra sadece (?:\n|\r\n?) tarafından \n her olay değiştirerek normal ifade düzeltmek alacak yeni satır ne tür hakkında emin değilseniz.

Answer 4

Tercihim. Eğer bir dize ve dizeleri liste olarak asitleri gibi someVaryingText var Bu noktada

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) 

. Tek bir dize oluşturmak için "".join(acids)'u yapabilirsiniz.

Çok satırlı regeekslerden daha az rahatsız edici (ve daha esnek) buluyorum.

Answer 5

Her dosyada yalnızca bir tane aminoasit dizisi varsa, normal ifadeleri kullanmazdım. Böyle bir şey:

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