python正则表达式-获取多行字符串中两个字符之间的所有内容（除了\n）

我有这样的文件作为输入：

>X0
CUUGACGAUCA
CGCAUCG
>X55
UACGGCGG
UUCAGC
AUCG
>X300
AAACCCGGGG

我需要得到'>'字符之间的行连接：

CUUGACGAUCACGCAUCG
UACGGCGGUUCAGCAUCG
AAACCCGGGG

我的尝试是使用

“re.match（r'^>*\n（.*）>*，a，re.DOTALL）”

，然后从每个匹配中删除'\n'，但正则表达式没有返回任何内容。我错在哪里

有些人在遇到问题时会想“我知道，我会使用正则表达式。”现在他们有两个问题杰米·扎温斯基

话虽如此，为什么不进行更容易理解的字符串处理呢

tmp = []
seqs = []
with open('txtfile') as f:
    for line in f:
        if line.startswith('>'):
            seqs.append(''.join(tmp))
            tmp = []
        else:
            tmp.append(line.strip())
    else:
        seqs.pop(0)
        seqs.append(''.join(tmp))

或者，如果您真的想使用正则表达式，您可以尝试先剥离换行符，然后按

>X[digit]

模式进行拆分：

re.split(r'>X\d+', re.sub(r'\n', '', data))

但这有一个缺点，即整个文本文件必须加载到变量

data

，这对于大型文件（在生物信息学中非常常见）来说并不那么有趣。因此，即使如此，首先给出的方法更有趣、更具记忆性，因为您可以依次处理每个已完成的DNA/RNA序列。

正则表达式对于此应用程序很有效，但要使用正则表达式执行此操作，您需要使用前瞻断言。这本质上意味着正则表达式查找但不使用前瞻

（？=…）

中定义的内容，其中

…

用于您的前瞻

因此，将其整合到一个完整的模式中，您将得到：

>(.+?)(?=>|$)

从中提取出来，这个模式寻找一个

作为起点，然后捕获所有内容，直到它看到另一个

或字符串的结尾，但是--这是关键--它不使用结尾的

，因此可以启动下一个实例

您还需要使用

DOTALL

标志确保换行符与

匹配，并使用

findall

函数返回所有匹配项

所以，像这样的方法会奏效：

#!/usr/env/python

import re

string = """>X0
CUUGACGAUCA
CGCAUCG
>X55
UACGGCGG
UUCAGC
AUCG
>X300
AAACCCGGGG"""

res = re.findall('>(.+?)(?=>|$)', string, re.DOTALL)

print "results: {0}".format(res)

输出为：

results: ['X0\nCUUGACGAUCA\nCGCAUCG\n', 'X55\nUACGGCGG\nUUCAGC\nAUCG\n', 'X300\nAAACCCGGGG']

有关更多正则表达式的详细信息，请参阅

---

如果不希望结果中出现换行符，则可以使用

string.replace

从列表中的每个项目中删除这些换行符。

我只需执行以下操作：

s = file.read()    #or whatever string yu have
sar = "".join(s.split())   #this will remove newlines
sar = sar.split('>')   #processing your splitter 
for tstr in sar:
    print tstr #this is the concatenation of lines between '>' characters: