Python 如何在正则表达式中使用布尔或

我想使用正则表达式来查找一个子字符串，后跟可变数量的字符，后跟几个子字符串中的任意一个

芬德尔先生

"ATGTCAGGTAAGCTTAGGGCTTTAGGATT"

你应该给我：

['ATGTCAGGTAA', 'ATGTCAGGTAAGCTTAG', 'ATGTCAGGTAAGCTTAGGGCTTTAG']

我尝试了以下所有方法，但均未成功：

import re
string2 = "ATGTCAGGTAAGCTTAGGGCTTTAGGATT"
re.findall('(ATG.*TAA)|(ATG.*TAG)', string2)
re.findall('ATG.*(TAA|TAG)', string2)
re.findall('ATG.*((TAA)|(TAG))', string2)
re.findall('ATG.*(TAA)|(TAG)', string2)
re.findall('ATG.*(TAA)|ATG.*(TAG)', string2)
re.findall('(ATG.*)(TAA)|(ATG.*)(TAG)', string2)
re.findall('(ATG.*)TAA|(ATG.*)TAG', string2)

---

我在这里遗漏了什么？

这不是很容易，因为a）你想要重叠匹配，b）你想要贪婪和非贪婪，以及两者之间的一切

只要字符串相当短，就可以检查每个子字符串：

import re
s = "ATGTCAGGTAAGCTTAGGGCTTTAGGATT"
p = re.compile(r'ATG.*TA[GA]$')

for start in range(len(s)-6):  # string is at least 6 letters long
    for end in range(start+6, len(s)):
        if p.match(s, pos=start, endpos=end):
            print(s[start:end])

这张照片是：

ATGTCAGGTAA
ATGTCAGGTAAGCTTAG
ATGTCAGGTAAGCTTAGGGCTTTAG

---

因为你似乎在处理DNA序列或类似的东西，所以也一定要检查一下。

我喜欢公认的答案很好：-）也就是说，我添加这个是为了获取信息，而不是寻找分数

如果您对此有很大的需求，那么尝试在

O（N^2）

索引对上进行匹配可能很快就会变得极其缓慢。一个改进是使用

.search（）

方法直接“跳跃”到可能有回报的唯一起始索引。下面就是这样

它还使用

.fullmatch（）

方法，这样您就不必人为地更改“自然”regexp（例如，在您的示例中，不需要向regexp添加尾随的

$

——事实上，在下面的代码中，这样做将不再像预期的那样工作）。请注意，

.fullmatch（）

是在Python3.4中添加的，因此此代码也需要Python3

最后，本文旨在概括

re

模块的

finditer（）

函数/方法。虽然您不需要匹配对象（您只需要字符串），但它们更普遍适用，而且返回生成器通常比返回列表更友好

因此，不，这并不能完全满足您的需求，但在Python 3中，它可以更快地满足您的需求：

def finditer_overlap(regexp, string):
    start = 0
    n = len(string)
    while start <= n:
        # don't know whether regexp will find shortest or
        # longest match, but _will_ find leftmost match
        m = regexp.search(string, start)
        if m is None:
            return
        start = m.start()
        for finish in range(start, n+1):
            m = regexp.fullmatch(string, start, finish)
            if m is not None:
                yield m
        start += 1

---

打印示例中所需的内容。您尝试编写regexp的其他方法也应该有效。在本例中，速度更快，因为外循环的第二次

start

为1，并且

regexp.search（string，1）

无法找到另一个匹配项，因此生成器立即退出（因此跳过检查

O（N^2）

其他索引对）。

findall：返回字符串中所有非重叠匹配项的列表。作为旁注，

ATG.*（TAA | TAG）

将只匹配最长的字符串。这是因为

*

操作符是贪婪的。有趣的方法。时间复杂度是O（N^3）对吗？它应该是O（N^2），除非我遗漏了什么。提取所有子字符串是O（N^3）独立的（O（N^2）个子字符串，每个子字符串中复制O（N）个字符）。如果有人真的需要使用它，最好重新调用它：编译regexp，并使用它的

.match（）

方法。它接受

pos

和

endpos

切片索引，这样就不必创建任何子字符串对象（当然，编译regexp的费用只需支付一次）。@TimPeters我想我在哪里读到过编译regex没有多大帮助，因为解释器通常都在编译它？但我相信你的话。我根据您的建议修改了答案。CPython维护了最近使用的regexp字符串到其编译的regexp对象的缓存映射，但这不是真正的点-真正的点是

re.match（）

不接受切片索引，只有

regexp\u object.match（）

接受切片索引。使用切片索引完全避免了创建O（N^2）子字符串对象的开销。

import re
string2 = "ATGTCAGGTAAGCTTAGGGCTTTAGGATT"
pat = re.compile("ATG.*(TAA|TAG)")
for match in finditer_overlap(pat, string2):
    print(match.group())