在Python中使用节解析纯文本

我有这样的文本：

    bla bla bla 
    bla some on wanted text....

****************************************************************************
List of 12 base pairs
      nt1              nt2             bp  name         Saenger     LW  DSSR
   1 Q.C0             Q.G22            C-G WC           19-XIX     cWW  cW-W
   2 Q.C1             Q.G21            C-G WC           19-XIX     cWW  cW-W
   3 Q.U2             Q.A20            U-A WC           20-XX      cWW  cW-W

****************************************************************************
another unwanted text ...
another unwanted text 

我想做的是提取以xxx碱基对列表开始的部分 并以它遇到的第一个

******

结束

在某些情况下，此部分根本不出现。如果发生这种情况 它应该只输出

“无”

如何使用Python实现这一点

我试过了，但失败了。它根本不打印输出

import sys
import re

def main():
    """docstring for main"""
    infile = "myfile.txt"
    if len(sys.argv) > 1:
        infile = sys.argv[1]

    regex = re.compile(r"""List of (\d+) base pairs$""",re.VERBOSE)

    with open(infile, 'r') as tsvfile:
        tabreader = csv.reader(tsvfile, delimiter='\t')

        for row in tabreader:
            if row:
                line = row[0]
                match = regex.match(line)
                if match:
                    print line



if __name__ == '__main__':
    main()

在代码末尾，我希望它能打印出以下内容：

      nt1              nt2             bp  name         Saenger     LW  DSSR
   1 Q.C0             Q.G22            C-G WC           19-XIX     cWW  cW-W
   2 Q.C1             Q.G21            C-G WC           19-XIX     cWW  cW-W
   3 Q.U2             Q.A20            U-A WC           20-XX      cWW  cW-W

或者干脆

NONE

使用

re.findall

尝试此正则表达式。请参阅演示

在代码末尾，我希望它能打印出以下内容：

      nt1              nt2             bp  name         Saenger     LW  DSSR
   1 Q.C0             Q.G22            C-G WC           19-XIX     cWW  cW-W
   2 Q.C1             Q.G21            C-G WC           19-XIX     cWW  cW-W
   3 Q.U2             Q.A20            U-A WC           20-XX      cWW  cW-W

有两个问题。正则表达式有点过于严格。循环不识别正则表达式匹配作为起点。而且，

******

端点没有提前退出

以下是一些可以帮助您开始的工作代码：

import re

text = '''
    bla bla bla 
    bla some on wanted text....

****************************************************************************
List of 12 base pairs
      nt1              nt2             bp  name         Saenger     LW  DSSR
   1 Q.C0             Q.G22            C-G WC           19-XIX     cWW  cW-W
   2 Q.C1             Q.G21            C-G WC           19-XIX     cWW  cW-W
   3 Q.U2             Q.A20            U-A WC           20-XX      cWW  cW-W

****************************************************************************
another unwanted text ...
another unwanted text
'''

regex = re.compile(r"List of (\d+) base pairs")

started = False
for line in text.splitlines():
    if started:
        if line.startswith('*******'):
            break
        print line
    elif regex.search(line):
        started = True

---

您可以使用re模块的

MULTILINE

和

DOTALL

标志

#!/usr/bin/python

import re

f = open('myfile.txt','r').read()

pat = re.compile("""
    List\ of\ \d+\ base\ pairs$  # The start of the match
    (.*?)                        # Note ? to make it nongreedy
    ^[*]+$                       # The ending line
    """, re.MULTILINE+re.DOTALL+re.VERBOSE)

mat = pat.search(f)

if mat:
    print mat.group(1).strip()
else:
    print 'NONE'

注:

• 如果文件中有多行星号，则需要在

  *

  之后添加

  ？

  ，以使其不冻结
• 由于使用了

  re.VERBOSE

  ，因此需要对初始字符串中的空格进行转义（

  Lists\of\…

  ）。否则，将忽略空白，并且找不到匹配项

  ---

可以尝试的另一个regexp：

f=open(my_file).read()
print ''.join(re.findall('\s+nt1[^\n]+\n|\s+\d+\sQ\.[^\n]+\n',f,re.M))

---

它接受以nt1或number+Q开头的内容，就像传递给

re.findall

的第一个字符串一样，这个解决方案以什么方式失败？这意味着我们应该将所有文本都拼凑成一个变量

test\u str

对吗？@pdubois right！！！`f=open（'some.txt'，'r'）test_Str=f.read（）'类似这样

f=open(my_file).read()
print ''.join(re.findall('\s+nt1[^\n]+\n|\s+\d+\sQ\.[^\n]+\n',f,re.M))