当与跨多行的文本进行匹配时,让Python正则表达式工作有点困难。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).
我想捕捉两件事:“some_varinging_TEXT”部分,以及在一次捕捉中出现在它下面两行的所有大写文本行(稍后我可以去掉换行符)。 我试过几种方法:
re.compile(r"^>(\w+)$$([.$]+)^$", re.MULTILINE) # try to capture both parts
re.compile(r"(^[^>][\w\s]+)$", re.MULTILINE|re.DOTALL) # just textlines
还有很多不走运的变化。最后一个似乎一行一行地匹配文本,这不是我真正想要的。我可以抓住第一部分,没问题,但我似乎抓不到4-5行大写的文字。 我希望match.group(1)是一些可变的文本,group(2)是line1+line2+line3+etc,直到遇到空行为止。
如果有人好奇,它应该是组成蛋白质的氨基酸序列。
如果每个文件只有一个氨基酸序列,我就不会使用正则表达式。就像这样:
试试这个:
我认为你最大的问题是你期望
^
和$
锚匹配换行符,但它们不匹配。在多行模式下,^
立即匹配换行符后面的位置,$
立即匹配换行符前面的位置。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。如果不确定目标文本仅使用换行符,则应使用此更具包容性的regex版本:
顺便说一句,您不想在这里使用DOTALL修饰符;您所依赖的事实是,除了换行符之外,该点匹配所有项。
这将起作用:
对这个正则表达式的一些解释可能很有用:
^(.+?)\n\n((?:[A-Z]+\n)+)
^
)表示“从行首开始”。请注意,它与换行符本身不匹配(与$相同:它的意思是“就在换行符之前”,但它与换行符本身不匹配)。(.+?)\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为止”。结果(没有换行)放在第一组中。[A-Z]+\n
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文本行的内容。((?:
文本行)+)
表示匹配一个或多个文本行,但不要将每一行放在一个组中。相反,将所有的文本行放在一组中。\n
。\n
或\r
或\r\n
),那么只需通过将\n
的每次出现替换为(?:\n|\r\n?)
来修复正则表达式。相关问题 更多 >
编程相关推荐