Python 匹配多行文本块的正则表达式
在匹配跨多行的文本时，让Python正则表达式工作起来有点困难。示例文本为（“\n”是换行符）Python 匹配多行文本块的正则表达式,python,regex,multiline,Python,Regex,Multiline,在匹配跨多行的文本时，让Python正则表达式工作起来有点困难。示例文本为（“\n”是换行符） 一些不同的文本\n \n DSJFKDAFKJKDAFJDSAKFJADSFLKDLAFKDSAF\n [以上更多内容，以换行符结尾]\n [是的，这里的行数可变]\n \n （将上述步骤重复几百次）。 我想捕获两件事：“some_variable_TEXT”部分，以及在一次捕获中位于它下面两行的所有大写文本行（稍后我可以去掉换行符）。 我尝试了几种方法： re.compile(r"^>(\w
一些不同的文本\n
\n
DSJFKDAFKJKDAFJDSAKFJADSFLKDLAFKDSAF\n
[以上更多内容，以换行符结尾]\n
[是的，这里的行数可变]\n
\n
（将上述步骤重复几百次）。
re.compile(r"^>(\w+)$$([.$]+)^$", re.MULTILINE) # try to capture both parts
re.compile(r"(^[^>][\w\s]+)$", re.MULTILINE|re.DOTALL) # just textlines
^>([^\n\r]+)[\n\r]([A-Z\n\r]+)
text = """> some_Varying_TEXT
DSJFKDAFJKDAFJDSAKFJADSFLKDLAFKDSAF
GATACAACATAGGATACA
GGGGGAAAAAAAATTTTTTTTT
CCCCAAAA
> some_Varying_TEXT2
DJASDFHKJFHKSDHF
HHASGDFTERYTERE
GAGAGAGAGAG
PPPPPAAAAAAAAAAAAAAAP
"""
import re
regex = re.compile(r'^>([^\n\r]+)[\n\r]([A-Z\n\r]+)', re.MULTILINE)
matches = [m.groups() for m in regex.finditer(text)]
for m in matches:
print 'Name: %s\nSequence:%s' % (m[0], m[1])
>>> import re
>>> rx_sequence=re.compile(r"^(.+?)\n\n((?:[A-Z]+\n)+)",re.MULTILINE)
>>> rx_blanks=re.compile(r"\W+") # to remove blanks and newlines
>>> text="""Some varying text1
...
... AAABBBBBBCCCCCCDDDDDDD
... EEEEEEEFFFFFFFFGGGGGGG
... HHHHHHIIIIIJJJJJJJKKKK
...
... Some varying text 2
...
... LLLLLMMMMMMNNNNNNNOOOO
... PPPPPPPQQQQQQRRRRRRSSS
... TTTTTUUUUUVVVVVVWWWWWW
... """
>>> for match in rx_sequence.finditer(text):
... title, sequence = match.groups()
... title = title.strip()
... sequence = rx_blanks.sub("",sequence)
... print "Title:",title
... print "Sequence:",sequence
... print
...
Title: Some varying text1
Sequence: AAABBBBBBCCCCCCDDDDDDDEEEEEEEFFFFFFFFGGGGGGGHHHHHHIIIIIJJJJJJJKKKK
Title: Some varying text 2
Sequence: LLLLLMMMMMMNNNNNNNOOOOPPPPPPPQQQQQQRRRRRRSSSTTTTTUUUUUVVVVVVWWWWWW
关于此正则表达式的一些解释可能有用：
^（+.+？）\n\n（（？：[A-Z]+\n）+）- 第一个字符（
）表示“从行首开始”。请注意，它与新行本身不匹配（与$相同：它表示“刚好在新行之前”，但与新行本身不匹配）^ - 然后
表示“匹配尽可能少的字符（允许所有字符），直到到达两个换行符”。结果（不带换行符）放入第一组（.+？）\n\n
表示“匹配尽可能多的大写字母，直到到达新行。这定义了我将称之为文本行的内容。”[A-Z]+\n
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，将所有文本行放在一个组中）+）- 如果要在末尾强制使用双换行符，可以在正则表达式中添加一个final
\n - 此外，如果您不确定将得到什么类型的换行符（
或\n
或\r
），则只需通过将\r\n
的每一次出现替换为\n
）来修复正则表达式（？：\n | \r\n？
re.compile(r"^(.+)\n((?:\n.+)+)", re.MULTILINE)
^$^$\n\r\r\nre.compile(r"^(.+)(?:\n|\r\n?)((?:(?:\n|\r\n?).+)+)", re.MULTILINE)
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 )
”。连接（acids）我发现这没有多行正则表达式那么令人沮丧（也更灵活）。如果每个文件只有一个氨基酸序列，我根本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
以下是匹配多行文本块的正则表达式：
import re
result = re.findall('(startText)(.+)((?:\n.+)+)(endText)',input)
除了第一行和大写文本外，文件中还有其他内容吗？我不知道为什么要使用正则表达式，而不是在换行符处拆分所有文本，并将第一个元素作为“some_variable_text”“。是的，regex是错误的工具。您的示例文本没有前导的
>