匹配多行tex块的正则表达式

Question

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。

Answer 1

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

Answer 2

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：

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

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。

Answer 3

这将起作用：

>>> 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

---

对这个正则表达式的一些解释可能很有用：^(.+?)\n\n((?:[A-Z]+\n)+)

• 第一个字符（^）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）。
• 然后(.+?)\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。
• 如果要在结尾强制使用双换行符，可以在正则表达式中添加最后一个\n。
• 另外，如果您不确定您将得到什么类型的换行符（\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。