grep输出与python3中的“re.findall（）”输出不同[关闭]

Question

这是我的输入文件

input.txt

www.ncbi.nlm.nih.gov/entrez/viewer.fcgi?db=nucleotide&val=NM_003157.1 rs 1123   
www.ncbi.nlm.nih.gov/entrez/viewer.fcgi?db=nucleotide&val=NM_006157 dd 12   
www.ncbi.nlm.nih.gov/entrez/viewer.fcgi?db=nucleotide&val=NM_021018.2 ff 121
www.ncbi.nlm.nih.gov/entrez/viewer.fcgi?db=nucleotide&val=NM_000908.2 rs10472828-?

预期输出

NM_003157.1
NM_006157
NP_021018.2
NM_000908.2

我的正则表达式

egrep "N[A-Z]_[0-9]{1,}(\.[1-9])*" input.txt

我的代码

f=open("input.txt")
for i in f:
    print(re.findall("N[A-Z]_[0-9]{1,}(\.[1-9])*",i.strip()))`

python 输出：

[]
[]
['.3']
[]

我的 grep 输出与我的预期输出完全匹配。但是当我在我的 python3 代码中使用相同的正则表达式时，我得到了不正确的输出。

Answer 1

您的 Python 模式中还有一个 . 太多，而 egrep 版本缺少；删除它。

接下来，re.findall() 返回正在捕获的组，而不是整个匹配，如果有这样的组的话。使用(?:...) 代替(...) 使组不被捕获：

re.findall(r'N[A-Z]_[0-9]+(?:\.[1-9])*', i.strip())

现在re.findall() 生成一个列表，每行一个匹配项：

>>> import re
>>> text = '''\
... www.ncbi.nlm.nih.gov/entrez/viewer.fcgi?db=nucleotide&val=NM_003157.1 rs 1123   
... www.ncbi.nlm.nih.gov/entrez/viewer.fcgi?db=nucleotide&val=NM_006157 dd 12   
... www.ncbi.nlm.nih.gov/entrez/viewer.fcgi?db=nucleotide&val=NM_021018.2 ff 121
... www.ncbi.nlm.nih.gov/entrez/viewer.fcgi?db=nucleotide&val=NM_000908.2 rs10472828-?
... '''
>>> f = text.splitlines()
>>> for i in f:
...     print(re.findall(r"N[A-Z]_[0-9]+(?:\.[1-9])*", i.strip()))
... 
['NM_003157.1']
['NM_006157']
['NM_021018.2']
['NM_000908.2']

对于每行只有一个匹配项，您最好使用re.search()，然后在结果上调用MatchObject.group()：

>>> for i in f:
...     print(re.search(r"N[A-Z]_[0-9]+(?:\.[1-9])*", i.strip()).group())
... 
NM_003157.1
NM_006157
NM_021018.2
NM_000908.2

Answer 2

通过带有oP参数的grep，

$ grep -oP '(?<=;val=)\S*(?=\s)' file
NM_003157.1
NM_006157
NM_021018.2
NM_000908.2

lookbehind 用于查找字符串;val= 并匹配所有非空格字符后跟一个空格字符。

通过egrep，

$ egrep -o "N[A-Z]_[0-9]{1,}(\.[1-9])*" file
NM_003157.1
NM_006157
NM_021018.2
NM_000908.2

在egrep 中，您错过了-o 参数，该参数告诉egrep 只打印匹配的字符串。