用于分析序列ID的正则表达式

Question

我在使用正则表达式从平面文件中提取信息时遇到了一些问题 （只发短信）。文件的结构如下：

#

ID（例如，>；YAL001C）

注释/元数据（描述ID来源的简短短语）

序列（非常长的字符串，例如KRHDE…）。。。。平均约500封信）

#

我试图只提取id和序列（跳过所有元数据）。不幸的是，名单 单靠操作是不够的，例如

with open("composition.in","rb") as all_info:
    all_info=all_info.read() 
    all_info=all_info.split(">")[1:]

因为文本的元数据/注释部分充斥着“>；”字符 导致生成的列表结构不正确。列表理解非常复杂 丑到一定程度后，所以我尝试以下几点：

with open("composition.in","rb") as yeast_all:
yeast_all=yeast_all.read() # convert file to string

## Regular expression to clean up rogue ">" characters
## i.e. "<i>", "<sub>", etc which screw up
## the structure of the eveuntual list
import re
id_delimeter = r'^>{1}+\w{7,10}+\s' 
match=re.search(id_delimeter, yeast_all)
if match:
    print 'found', match.group()
else:
    print 'did not find'        
yeast_all=yeast_all.split(id_delimeter)[1:]

我只收到一条错误信息，上面写着“错误：多次重复”

ID的类型为：

YAL001C

YGR103W

YKL068W-A

第一个字符总是“>；”，后面是大写字母和数字，有时是破折号 (-). 我想重新，可以用来找到所有这样的事件和分裂的文字 使用RE作为delimeter来获取id和序列，并省略元数据。我是新的正则表达式，所以有有限的知识的主题！你知道吗

注意：三个字段（ID、metadata、sequence）之间只有一个换行符

Answer 1

试试看

>(?P<id>[\w-]+)\s.*\n(?P<sequence>[\w\n]+)

您将在组id中找到ID，在组sequence中找到序列。你知道吗

Demo.

说明：

> # start with a ">" character
(?P<id> # capture the ID in group "id"
    [\w-]+ # this matches any number (>1) of word characters (A to Z, a to z, digits, and _) or dashes "-"
)
\s+ # after the ID, there must be at least one whitespace character
.* # consume the metadata part, we have no interest in this
\n # up to a newline
(?P<sequence> # finally, capture the sequence data in group "sequence"
    [\w\n]+ # this matches any number (>1) of word characters and newlines.
)

作为python代码：

text= '''>YKL068W-A
foo
ABCD

>XYZ1234
<><><><>><<<>
LMNOP'''

pattern= '>(?P<id>[\w-]+)\n.*\n(?P<sequence>\w+)'

for id, sequence in re.findall(pattern, text):
    print((id, sequence))