如何使用Python正则表达式在模式中引用特定术语

我的模式是

Forward primer
CGAAGCCTGGGGTGCCCGCGATTT Plus 24 1 24 71.81 66.67 4.00 2.00 

Reverse primer
AAATCGGTCCCATCACCTTCTTAT Minus 24 420 397 59.83 41.67 5.00 2.00 

Product length
420 


Products on potentially unintended templates


>CP049108.1 Mycobacterium tuberculosis strain 5005 chromosome, complete genome product length = 495
Forward primer  1        CGAAGCCTGGGGTGCCCGCGATTT  24
Template        1930054  ........................  1930077

Reverse primer  1        AAATCGGTCCCATCACCTTCTTAT  24
Template        1930548  ........................  1930525


product length = 2946
Forward primer  1        CGAAGCCTGGGGTGCCCGCGATTT  24
Template        1927603  .......C....C..T..T...G.  1927626

Reverse primer  1        AAATCGGTCCCATCACCTTCTTAT  24
Template        1930548  ........................  1930525


>CP046728.2 Mycobacterium tuberculosis strain TCDC11 chromosome, complete genome product length = 420
Forward primer  1        CGAAGCCTGGGGTGCCCGCGATTT  24
Template        2150761  ........................  2150784

Reverse primer  1        AAATCGGTCCCATCACCTTCTTAT  24
Template        2151180  ........................  2151157


product length = 2595
Forward primer  1        CGAAGCCTGGGGTGCCCGCGATTT  24
Template        2148586  .......C....C..T..T...G.  2148609

Reverse primer  1        AAATCGGTCCCATCACCTTCTTAT  24
Template        2151180  ........................  2151157


>CP047258.1 Mycobacterium tuberculosis strain TCDC3 chromosome product length = 345
Forward primer  1        CGAAGCCTGGGGTGCCCGCGATTT  24
Template        2166300  ........................  2166323

Reverse primer  1        AAATCGGTCCCATCACCTTCTTAT  24
Template        2166644  ........................  2166621

我需要的是

>CP049108.1 = 495   1930054 1930548 
>CP046728.2 = 420   2150761 2151180
>CP047258.1 = 345   2166300 2166644

我是微生物学家和Python初学者。我试过了

import re
file = open(r"C:\\Users\\Lab\\Desktop\\amplicons\\ETRA", "r")
handle = file.read()
file.close()

pattern1 = re.compile(r'>.{5,10}\.\d')
matches1 = pattern1.finditer(handle)

for match1 in matches1:
    print(match1.group(0))

但我也需要在我的注册号之后加入特定的条款（例如，注册号>CP049108.1）。我也会让你的知识适应我的其他工作

感谢你的帮助和帮助

---

提前谢谢你

这里有一种方法。正则表达式搜索相当依赖于文本是否与您提供的文件一致

rows = re.findall('(>.{5,10}).*length( = \d*).*\s*.*\s*Template\s*(   \d*).*\s*.*\s*Template\s*( \d*)', handle)
print('\n'.join(''.join(x) for x in rows))

---

我建议你考虑一下你需要的逻辑，然后写一些规则来帮助你

这是我用来学习正则表达式的一本有用的书。它涵盖了可用于获得所需结果的基本规则：

---

以下是我的想法-

（[\w\d]*？\。\d*？）。+=（\d+）\n.+\n.*？（\d+）。+\n{2}.+\n.*（\d+）

让我们看一个只有一组数据的示例，只要将

global

标志设置为

True

（在

python

中默认设置为

True

），就可以输入粘贴的整个数据并仍然得到结果

>CP049108.1结核分枝杆菌菌株5005染色体，全基因组产物长度=495正向引物1
CGAAGCCTGGTGCCCGATTT 24模板1930054 ........................ 1930077

反向引物1 AAATCGGTCCCATCACTTCTTAT 24模板
1930548 ........................ 1930525

第一组为-

CP049108.1

第二组为-

495

第三组为-

1930054

第四组（也是最后一组）将是-

1930548

当然，现在您可以将整个数据重新构造为您想要的样子，如果您正在从文本文件读取数据，您可以使用此代码段-

重新导入
打开（'test.txt'，'r'）作为文件：
content=file.read（）
pattern=re.compile（r'>（[\w\d]*？\。\d*？）。+=（\d+）\n.+\n.*？（\d+）。+\n{2}.+\n.*（\d+））
对于pattern.finditer（内容）中的匹配：
output='>{}={}{}'。格式（match.group（1）、match.group（2）、match.group（3）、match.group（4））
打印（输出）

如果我准确地输入您提供给

test.txt

的数据集，我会得到这个输出-

>CP049108.1 = 495   1930054 1930548
>CP046728.2 = 420   2150761 2151180
>CP047258.1 = 345   2166300 2166644

正则表达式解释

（\w+\.\d+）+=（\d+）\n.+\n.*（\d+）.+\n{2}.+\n.*（\d+）

• 让我们先分析第一行-

  >（\w+\.\d+。+=（\d+）\n

  首先，它匹配

  CP049108

  ，直到找到
  （点）为止，然后匹配下一个数字，在本例中-

  1

  ，直到找到

  =

  为止。然后，它将这些内容组合在一个捕获组中，以获得

  CP049108.1

  稍后，它将抓住

  =

  后面的数字并转到下一行，在本例中为

  495

• 第二行的时间-

  +\n

  是的，第二行被忽略了

• 现在，第三行-

  *？（\d+）+\n{2}

  它忽略所有内容，直到到达第一组数字，抓取这些数字并跳到下一行（2个新行）。在这种情况下，结果是

  1930054

• 现在，第四行-

  +\n

  这也被忽略了

• 最后一行-

  *？（\d+）

  这与第三行的工作原理完全相同，结果是

  1930548

看看这本书

这就是您需要的：

matches=re.findall(r'(>.{5,10}\.\d).*?( = \d+).*?Template.*?( \d+).+?( \d+)', handle, re.DOTALL)
["".join(x) for x in matches]

---

如您所见，在正则表达式中使用圆括号声明了四个组。每组将获取输出的四个部分，用空格分隔。您将加入此结果以获得所需的输出。

您可以匹配以下正则表达式，然后提取三个捕获组的内容：

r'^(>CP\d{6}\.\d).+?\bproduct +length += +(\d+).*?^Template +(\d+).*?^Template +(\d+)'gms

这可以通过使用Python的（aka

X

）标志进行自文档化

这是从Perl的自由间隔模式派生出来的，我将使用它，因为我不熟悉Python。不懂Perl的读者可以很好地理解这一点

/
^                        # match beginning of line        
(>CP\d{6}\.\d)           # match '>CP', 6 digits, '.', 1 digit in cap group 1  
.+?                      # match 0+ characters, lazily (`?`)
\b                       # match a word break               
product\ +length\ +=\ +  # match 'product', 1+ spaces, 'length', 1+ spaces,
                         #   '=', 1+ spaces 
(\d+)                    # match 1+ digits in cap group 2
.*?                      # match 0+ characters, lazily (`?`)
^Template\ +             # match beginning of line, 'Template', 1+ spaces 
(\d+)                    # match 1+ digits in cap group 3
.*?                      # match 0+ characters, lazily (`?`)
^Template\ +             # match beginning of line, 'Template', 1+ spaces 
(\d+)                    # match 1+ digits in cap group 4                
/xgms                    # free-spacing, global, multiline, single-line modes

---

链接中给出了不同模式的含义。在自由间距模式下，在解析正则表达式之前，将删除字符类之外的非转义空格。因此，必须保护属于表达式一部分的空格，例如“乘积”和“长度”之间的空格。我选择在这里转义它们，但其他选项是将每个空格放在字符类中（

[]

），使用Unicode表达式

\p{space}

或

[[：space:\\

或者，如果合适的话，

\s

（空白字符）.

1000000谢谢！@ChooseElbunswansakul欢迎来到stackoverflow！您应该通过单击答案旁边的勾号将答案标记为已接受。这确保下一个搜索问题的人立即知道什么有效：）在这部分

（[\w\d]*？\。\d*？）

字符类中的

\w

也与

\d

匹配。你不必使量词不贪婪，因为

\w

和

\d

不能跨越点或空间边界。你可以使用

（\w+\.\d+

@第四鸟啊，对了，我一定忘了清理它们。这应该是一条注释。