提取包含特定单词的行

Question

输入：

ID   aa
AA   Homo sapiens
DR   ac
BB   ad
FT   ae
//
ID   ba
AA   mouse
DR   bc
BB   bd
FT   be
//
ID   ca
AA   Homo sapiens
DR   cc
BB   cd
FT   ce
//

预期输出：

DR   ac
FT   ae
//
DR   cc
FT   ce
//

代码：

word = 'Homo sapiens'
with open(input_file, 'r') as txtin, open(output_file, 'w') as txtout:
    
    for block in txtin.read().split('//\n'):   # reading a file in blocks
        if word in block:   # extracted block containing the word, 'Homo sapiens'
            extracted_block = block + '//\n'

            for line in extracted_block.strip().split('\n'):   # divide each block into lines
                if line.startswith('DR   '):
                    dr = line 

                elif line.startswith('FT   '):
                    ft = line

我根据“//”（块）读取输入文件。而且，如果块中包含“智人”一词，我提取了块。此外，在该块中，以“DR”开头的行定义为 dr，以“FT”开头的行定义为 ft。我应该如何使用 dr 和 ft 编写“输出”以获得“预期输出”？

Answer 1

您可以编写一个带有标志的简单解析器。总之，当您到达带有 AA 和单词的行时，将标志设置为 True 以保留以下感兴趣的字段，直到您到达块结束时，在这种情况下您重置标志。

word = 'Homo sapiens'

with open(input_file, 'r') as txtin, open(output_file, 'w') as txtout:
    keep = False
    for line in txtin:
        if keep and line.startswith(('DR', 'FT', '//')):
            txtout.write(line)
        if line.startswith('//'):
            keep = False # reset the flag on record end
        elif line.startswith('AA') and word in line:
            keep = True

输出：

DR   ac
FT   ae
//
DR   cc
FT   ce
//

注意。这要求 AA 在要保存的字段之前。如果没有，您必须使用类似的逻辑逐块解析（将数据保存在内存中）

Answer 2

如果您对基于正则表达式的解决方案持开放态度，那么一种选择是将整个文件读入字符串，然后使用re.findall：

with open(input_file, 'r') as file:
    inp = file.read()

matches = re.findall(r'(?<=//\n)ID.*?\nAA\s+Homo sapiens\n(DR\s+\w+\n)BB\s+\w+\n(FT\s+\w+\n//\n?)', '//\n' + inp)
for match in matches:
    for line in match:
        print(line, end='')

打印出来：

DR   ac
FT   ae
//
DR   cc
FT   ce
//

这是一个demo，表明该模式可以正确识别每个匹配块中的块和 DR/FT 行。