正则表达式匹配多行文本块

我想捕获两件事:'some_Varying_TEXT'部分,以及在一次捕获中位于其下方两行的大写文本的所有行(我可以稍后删除换行符).我试过几种方法:

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

并且有很多变化没有运气.最后一个似乎逐个匹配文本行,这不是我真正想要的.我可以抓住第一部分,没问题,但我似乎无法捕捉4-5行的大写文本.我想match.group(1)是some_Varying_Text,group(2)是line1 + line2 + line3 +等,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.

试试这个:

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

我认为你最大的问题是你期望^和$锚点匹配换行符,但他们没有.在多行模式下,^匹配紧跟在换行符后面$的位置,并匹配紧接在换行符之前的位置.

还要注意,换行符可以包含换行符(\n),回车符(\ r)或回车符+换行符(\ r \n).如果您不确定目标文本是否仅使用换行符,则应使用此更具包容性的正则表达式版本:

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

顺便说一下,你不想在这里使用DOTALL修饰符; 你依赖于点匹配除换行之外的所有事实.

这将有效:

>>> 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

关于此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"从一行开头".请注意,它与换行符本身不匹配(对于$表示相同:它表示"就在换行符之前",但它与换行符本身不匹配).

然后(.+?)\n\n意味着"匹配尽可能少的字符(允许所有字符),直到你达到两个换行符".结果(没有换行符)放在第一组中.

[A-Z]+\n意味着"匹配尽可能多的大写字母,直到你到达换行符.这定义了我将称之为文本行.

((?:文本行)+)表示匹配一个或多个文本行,但不将每行放在一个组中.相反,把所有的文本行中的一组.

\n如果要在结尾处强制使用双换行符,可以在正则表达式中添加final .

此外,如果您不确定将获得(\n或\r或\r\n)的换行符类型,则只需通过替换每个出现的\nby来修复正则表达式(?:\n|\r\n?).

如果每个文件只有一个氨基酸序列,我就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