Python 如何基于正则表达式模式从文本文件中提取数据

我需要一些python程序的帮助。我已经试了很多东西，好几个小时了，但都没用

有人能帮我吗

这就是我需要的：

• 我有这个文件：它包含了关于蛋白质的信息
• 我只想过滤与…匹配的蛋白质
• 从这些蛋白质中，我只需要。。。（6个标记的文本，在sp |之后，以及物种（第二行，在[]之间）
• 我想把..和..放在..里，最后放在桌子上

到目前为止，我所拥有的：

import re

def main():
    ReadFile()
    file = open ("file.txt", "r")
    FilterOnRegEx(file)

def ReadFile():
    try:
        file = open ("file.txt", "r")
    except IOError:
        print ("File not found!")
    except:
        print ("Something went wrong.")

def FilterOnRegEx(file):
    f = ("[AG].{4}GK[ST]")
    for line in file:
        if f in line:
            print (line)


main()

---

如果你帮助我，你就是英雄！

我的第一个建议是在打开文件时使用

和
语句：

with open("ploop.fa", "r") as file:
    FilterOnRegEx(file)

FilterOnRegEx
方法的问题是：
如果ploop在行中
。运算符使用字符串参数在字符串
行
中搜索
ploop
中的确切文本

相反，您需要将文本表单转换为re对象，然后进行匹配：

def FilterOnRegEx(file):
    ploop = ("[AG].{4}GK[ST]")
    pattern = re.compile(ploop)
    for line in file:
        match = pattern.search(line)
        if match is not None:
            print (line)

这将帮助你前进

作为下一步，我建议学习。打印匹配的行非常好，但这无助于您对它们进行进一步的操作。我可能会将
print
更改为
yield
，这样我就可以进一步处理数据，例如提取所需的部分并重新格式化以供输出

作为一个简单的演示：

def FilterOnRegEx(file):
    ploop = ("[AG].{4}GK[ST]")
    pattern = re.compile(ploop)
    for line in file:
        match = pattern.search(line)
        if match is not None:
            yield line

with open("ploop.fa", "r") as file:
    for line in FilterOnRegEx(file):
        print(line)



附录：我运行了上面我发布的代码，使用了您发布的数据样本，它成功地打印了一些行，而不是其他行。换句话说，正则表达式确实匹配了一些行，但不匹配其他行。到目前为止还不错。但是，您需要的数据并不是全部在输入中的一行上！这意味着过滤图案上的单个线条不够。（当然，除非我在问题中没有看到正确的换行符）数据的方式，你需要实现一个更健壮的解析器，用状态来知道一个记录何时开始，当一个记录结束，一个给定的行在一个记录的中间。
 < p>这似乎对你的示例文本起作用。我不知道你是否可以有一个以上的每个文件的提取，而且我已经不在这里了，所以你必须如果需要，请扩展它：

#!python3
import re

Extract = {}

def match_notes(line):
    global _State
    pattern = r"^\s+(.*)$"
    m = re.match(pattern, line.rstrip())
    if m:
        if 'notes' not in Extract:
            Extract['notes'] = []

        Extract['notes'].append(m.group(1))
        return True
    else:
        _State = match_sp
        return False

def match_pattern(line):
    global _State
    pattern = r"^\s+Pattern: (.*)$"
    m = re.match(pattern, line.rstrip())
    if m:
        Extract['pattern'] = m.group(1)
        _State = match_notes
        return True
    return False

def match_sp(line):
    global _State
    pattern = r">sp\|([^|]+)\|(.*)$"
    m = re.match(pattern, line.rstrip())
    if m:
        if 'sp' not in Extract:
            Extract['sp'] = []
        spinfo = {
            'accession code': m.group(1),
            'other code': m.group(2),
        }
        Extract['sp'].append(spinfo)
        _State = match_sp_note
        return True
    return False

def match_sp_note(line):
    """Second line of >sp paragraph"""
    global _State
    pattern = r"^([^[]*)\[([^]]+)\)"
    m = re.match(pattern, line.rstrip())
    if m:
        spinfo = Extract['sp'][-1]
        spinfo['note'] = m.group(1).strip()
        spinfo['species'] = m.group(2).strip()
        spinfo['sequence'] = ''
        _State = match_sp_sequence
        return True
    return False

def match_sp_range(line):
    """Last line of >sp paragraph"""
    global _State
    pattern = r"^\s+(\d+) - (\d+):\s+(.*)"
    m = re.match(pattern, line.rstrip())
    if m:
        spinfo = Extract['sp'][-1]
        spinfo['range'] = (m.group(1), m.group(2))
        spinfo['flags'] = m.group(3)
        _State = match_sp
        return True
    return False

def match_sp_sequence(line):
    """Middle block of >sp paragraph"""
    global _State

    spinfo = Extract['sp'][-1]

    if re.match("^\s", line):
        # End of sequence. Check for pattern, reset state for sp
        if re.match(r"[AG].{4}GK[ST]", spinfo['sequence']):
            spinfo['ag_4gkst'] = True
        else:
            spinfo['ag_4gkst'] = False

        _State = match_sp_range
        return False

    spinfo['sequence'] += line.rstrip()
    return True

def match_start(line):
    """Start of outer item"""
    global _State
    pattern = r"^Hits for ([A-Z]+\d+)|([^:]+) : (?:\[occurs (\w+)\])?"
    m = re.match(pattern, line.rstrip())
    if m:
        Extract['pattern_id'] = m.group(1)
        Extract['title'] = m.group(2)
        Extract['occurrence'] = m.group(3)
        _State = match_pattern
        return True
    return False

_State = match_start

def process_line(line):
    while True:
        state = _State
        if state(line):
            return True

        if _State is not state:
            continue

        if len(line) == 0:
            return False

        print("Unexpected line:", line)
        print("State was:", _State)
        return False

def process_file(filename):
    with open(filename, "r") as infile:
        for line in infile:
            process_line(line.rstrip())

process_file("ploop.fa")
import pprint
pprint.pprint(Extract)

看起来您希望我们为您编写一些代码。虽然许多用户愿意为陷入困境的编码人员编写代码，但他们通常只在海报已经尝试自己解决问题时提供帮助。演示这一努力的一个好方法是包含您迄今为止编写的代码，例如输入（如果有），预期输出，以及您实际获得的输出（控制台输出、回溯等）。您提供的详细信息越多，您可能收到的答案就越多。请查看and。您好，欢迎访问SO。请阅读：）您可能会被否决，因为人们有时不太欢迎您，但不要太担心这一点。更新你的问题，或者创建一个新的问题，用你迄今为止尝试过的最好的东西和你遇到的问题。我相信你会得到帮助的，已经编辑好了。但是我被困在正则表达式函数中，所以我没有太多的代码。并不是说我什么都没试过，我试了很多东西，一个小时又一个小时，但都不管用。但它是经过编辑的！你能检查数据文件的链接吗？它似乎不起作用-可能需要“公开”？简单地说，您需要使用
re.compile（）
并搜索正则表达式，而不是
中的
。谢谢您的解释！事实上，这是可行的。在学校里从未学过关于产量的知识，但事实上，它是有用的。很高兴知道正则表达式可以工作。但是现在脚本必须打印所有属于与RE匹配的行的行。（因此，如果蛋白质序列中存在匹配项，它必须打印文件中关于这些蛋白质的所有信息）。在那之后，我必须获取加入代码（
Q6GZX2
在第一个蛋白质中），以及物种（
青蛙病毒3（分离的古尔哈病毒）（FV-3）
在第一个蛋白质中）。1/2你认为用列表中的一个列表（一个蛋白质列表，由每两个换行符分隔，包含信息列表，包括登录代码和物种）来实现这一点是一个好主意，还是有更好的方法？我个人会先为一个记录创建一个数据结构，然后为该文件创建一个解析器。我发现，当我为数据创建一个类时，管理代码要比跟踪列表列表以及每个索引在每个级别的含义更容易。每组行（“记录”）是否由两个换行分隔？如果是这样的话，那么这将使您的生活变得更轻松（因为整个文件一次就可以放入内存中）。对于这样一个特定用途的程序，我只需一次读取整个文件（，然后获取记录列表。然后应用匹配并处理匹配的字符串。在“真实世界”我不会这样做，这样我就可以处理更多的数据。是的，我在谷歌上搜索时已经读到了一些关于类的内容。但是它看起来有点复杂。像这样的脚本的类的基础是什么？然后也许我可以扩展它。感谢代码！我已经尝试过了，它不是我需要的表，但我想我可以用它来完成最终的代码首先我得到了一些带有错误（）的行，然后我得到了带有其他数据（）的蛋白质。但是很高兴看到数据（登录代码等）在一个单独的行上，带有一个名称！谢谢
#!python3
import re

Extract = {}

def match_notes(line):
    global _State
    pattern = r"^\s+(.*)$"
    m = re.match(pattern, line.rstrip())
    if m:
        if 'notes' not in Extract:
            Extract['notes'] = []

        Extract['notes'].append(m.group(1))
        return True
    else:
        _State = match_sp
        return False

def match_pattern(line):
    global _State
    pattern = r"^\s+Pattern: (.*)$"
    m = re.match(pattern, line.rstrip())
    if m:
        Extract['pattern'] = m.group(1)
        _State = match_notes
        return True
    return False

def match_sp(line):
    global _State
    pattern = r">sp\|([^|]+)\|(.*)$"
    m = re.match(pattern, line.rstrip())
    if m:
        if 'sp' not in Extract:
            Extract['sp'] = []
        spinfo = {
            'accession code': m.group(1),
            'other code': m.group(2),
        }
        Extract['sp'].append(spinfo)
        _State = match_sp_note
        return True
    return False

def match_sp_note(line):
    """Second line of >sp paragraph"""
    global _State
    pattern = r"^([^[]*)\[([^]]+)\)"
    m = re.match(pattern, line.rstrip())
    if m:
        spinfo = Extract['sp'][-1]
        spinfo['note'] = m.group(1).strip()
        spinfo['species'] = m.group(2).strip()
        spinfo['sequence'] = ''
        _State = match_sp_sequence
        return True
    return False

def match_sp_range(line):
    """Last line of >sp paragraph"""
    global _State
    pattern = r"^\s+(\d+) - (\d+):\s+(.*)"
    m = re.match(pattern, line.rstrip())
    if m:
        spinfo = Extract['sp'][-1]
        spinfo['range'] = (m.group(1), m.group(2))
        spinfo['flags'] = m.group(3)
        _State = match_sp
        return True
    return False

def match_sp_sequence(line):
    """Middle block of >sp paragraph"""
    global _State

    spinfo = Extract['sp'][-1]

    if re.match("^\s", line):
        # End of sequence. Check for pattern, reset state for sp
        if re.match(r"[AG].{4}GK[ST]", spinfo['sequence']):
            spinfo['ag_4gkst'] = True
        else:
            spinfo['ag_4gkst'] = False

        _State = match_sp_range
        return False

    spinfo['sequence'] += line.rstrip()
    return True

def match_start(line):
    """Start of outer item"""
    global _State
    pattern = r"^Hits for ([A-Z]+\d+)|([^:]+) : (?:\[occurs (\w+)\])?"
    m = re.match(pattern, line.rstrip())
    if m:
        Extract['pattern_id'] = m.group(1)
        Extract['title'] = m.group(2)
        Extract['occurrence'] = m.group(3)
        _State = match_pattern
        return True
    return False

_State = match_start

def process_line(line):
    while True:
        state = _State
        if state(line):
            return True

        if _State is not state:
            continue

        if len(line) == 0:
            return False

        print("Unexpected line:", line)
        print("State was:", _State)
        return False

def process_file(filename):
    with open(filename, "r") as infile:
        for line in infile:
            process_line(line.rstrip())

process_file("ploop.fa")
import pprint
pprint.pprint(Extract)