用正则表达式提取字符串不稳定

Question

早安，

我有以下我们在上一篇文章中建立的 python 正则表达式文件。这是为了提取任何看起来像 'chr' + number + ':' + bignumber ".." + bignumber 的信息（所以看起来像 chr1:100000..120000） 如果将 chr1 切换为 chrX，则正则表达式脚本将不再工作......

这是原始脚本：

    # Opens each file to read/modify
    infile='myfile.txt'
    outfile='outfile.txt'

    #import Regex
    import re

    with open (infile, mode='r', buffering=-1) as in_f, open (outfile, mode='w', buffering=-1) as out_f:
        f = (i for i in in_f if '\t' in i.rstrip())
        for line in f:
            _, k = line.split('\t',1)
            x = re.findall(r'^1..100\t([+-])chr(\d+):(\d+)\.\.(\d+).+$',k)
            if not x:
                continue
            out_f.write(' '.join(x[0]) + '\n')

如果我改变了这一行：

    x = re.findall(r'^1..100\t([+-])chrX(\d+):(\d+)\.\.(\d+).+$',k)

我无法具体提取看起来像 chrX 等的内容... 你也应该知道有些行可能是空的！

请帮忙 :) 谢谢

Answer 1

我不完全理解你的问题，但我会尝试根据你的代码给出一些建议。

这是最重要的一行：

x = re.findall(r'^1..100\t([+-])chr(\d+):(\d+)\.\.(\d+).+$',k)

观察：

0) 我什至不知道buffering=-1 在调用open() 时会做什么。我建议您摆脱它，并允许标准行为，即行缓冲。对于这种情况，这就是您想要的，您希望一次处理一行文件。 （默认与指定buffering=1相同。）

1) re.findall() 返回匹配列表。但是，通过在您的模式中使用$，您可以保证您将获得最多一个匹配项，因为每一行只能有一个行尾。所以你可能应该使用re.search()。您甚至可以使用re.match()，因为您有一个^ 来锚定到行首。

2) 我不建议您使用.split() 方法函数来摆脱前导标签。只需将标签折叠到您的正则表达式中。它更简单、更快捷。

3) 您的模式要求每一行都以这样的字符串开头：

1aa100
100100
1xx100
1xy100

这是你想要的吗？每行是否以始终以“100”结尾的数字开头？如果它始终是一个数字，您可能希望在模式中使用 \d 而不是 .。

4) 您需要在上面匹配的类似数字的内容之后添加一个制表符。然后你有一个匹配组，它匹配一个“+”或一个“-”并让你收集匹配的值。我很好奇你会用它做什么。

5) 模式 chr\d+ 将匹配 chr0、chr1、chr11、chr111 等。任意数字组合，最小长度为 1 位。我不确定你是否期望它真正匹配大写的“X”（你谈到匹配chrX），但它肯定不会。

6) 您匹配一个数字、两个实际句点和另一个数字。这看起来完全正确，对我来说很好。然后，在第二个数字之后，将. 和+ 一起使用。这需要在行尾之前添加一个或多个额外字符。我想知道这是否会导致您的问题。也许您应该使用匹配零个或多个额外字符的.*？

7) 如果您使用re.match() 而不是re.findall()，则无需使用x[0] 即可进入匹配组。

8) 如果你有一个匹配组m，' '.join(m) 不起作用。你得到一个类型错误。您需要改用' '.join(m.groups())。

9) 我认为chr 和两个由.. 分隔的数字的模式本身就很好，所以也许你可以放松模式的其余部分，只匹配那些。

10) 我总是喜欢预编译我的正则表达式模式。它更快，然后您可以在编译模式上使用方法函数。比如pat是一个预编译的正则表达式，你可以使用pat.search(line)搜索一行文本。

综合我的建议，这里有一些 Python 代码供你试用：

import re

infile='myfile.txt'
outfile='outfile.txt'

pat = re.compile(r'([+-])chr([^:]+):(\d+)\.\.(\d+)')

with open(infile, mode='r') as in_f, open(outfile, mode='w') as out_f:
    for line in in_f:
        if '\t' not in line.rstrip():
            continue
        m = pat.search(line)
        if not m:
            continue
        out_f.write(' '.join(m.groups()) + '\n')

编辑：由于您似乎确实希望将字符串 chrX 识别为有效，因此我更改了上面的示例代码。它现在使用 [^:] 来匹配除冒号以外的任何内容，而不是 \d 来匹配数字。上面的代码现在应该匹配chr1:、chrX: 或其他任何东西。