使用负前瞻搜索子字符串出现在特定位置的字符串

Question

我在尝试创建一个正则表达式时遇到了一个问题，这应该有助于查找包含特定子字符串组合的字符串。

例如我正在搜索子串组合：

ab-ab-cd

1) "xxxabxxxxxxabxxxxcdxxx" -> 应该是匹配的

2) "xxxabxxxxabxxxxabxxxxcdxxxx -> 不匹配

3) "xxxabxxxxxxxxxxcdxxxx -> 不匹配

让它变得更复杂：

4) "xxxabxxxxxabxxxxcdxxxabxxx -> 也应该是匹配的

我的子串组合也可能是这样的：

ab-cd

或

ab-ab-ab-cd

或

ab-cd-ab-cd

对于所有这些（以及更多）示例，我正在寻找一种系统的方法来以系统的方式构建相应的正则表达式，以便仅找到字符串作为匹配项，其中子字符串以正确的顺序和正确的频率出现。

对于“ab-ab-cd”子字符串搜索，我得到了类似的结果，但在示例 4) 的情况下它失败了。

p = re.compile("(?:(?!ab).)*ab.*?ab(?!.*ab).*cd",re.IGNORECASE)

在类似 4) 的情况下，这个有效，但也匹配类似 2) 的字符串：

p = re.compile("(?:(?!ab).)*ab(?:(?!ab).)*ab((?!ab|cd)*).*cd", re.IGNORECASE)

你能指出我的错误吗？

非常感谢！

编辑：

对不起，我的问题不够清楚。我试图将我的问题分解为一个更简单的案例，这可能不是一个好主意。 下面是问题的详细解释：

我有（蛋白质）序列列表，并根据序列模式为每个序列分配特定类型。

因此，我创建了一个字典，其中 type-name 作为键，特征模板（按特定顺序排列的序列特征列表）作为值，例如：

type_a -> [A,A,B,C]

type_b -> [A,B,C]

type_c -> [A,B,A,B]

在其他字典中，我对每个功能都有（简单的）正则表达式模式，例如：

A -> [PHT]AG[QP]LI

B -> RS[TP]EV

C -> ...

D -> ...

现在每个模板（type_a、type_b、...）我现在系统地构建连接的正则表达式模式（即为 type_a 构建一个搜索 A、A、B、C 的正则表达式）。 这将导致另一个 dict 类型为键，完整的正则表达式为值。

现在我想遍历序列列表中的每个序列，并将所有完整的正则表达式模板映射到每个序列。在最好的情况下，只有一个完整的正则表达式（类型）应该与序列匹配。

以上面的示例为例，具有以下正则表达式模板：

光盘

ab-cd

ab-ab-cd

ab-ab-ab-cd

ab-cd-ab-cd

ab-ab-cd-ab

"xxxabxxxxxxabxxxxcdxxx"

->这个序列应该匹配模板“ab-ab-cd”的正则表达式，而不是其他任何一个

使用以下正则表达式，我可以完美地查找 ab-ab-cd。

p = re.compile("(?:(?!ab).)*ab.*?ab(?!.*ab).*cd",re.IGNORECASE)

如果我的测试是正确的，它只会匹配上面的序列 1) 而不是 2) 或 3)。

但是，如果我想搜索 ab-ab-cd-ab，则负前瞻将不允许找到最后一个 ab。我发现类似以下代码的内容可以在第二个“ab”部分之后打破负面预测。据我了解，负前瞻应该以“cd”结束，以便最后一个“ab”可以再次匹配。

p = re.compile("(?:(?!ab).)*ab(?:(?!ab).)*ab((?!ab|cd)*).*cd", re.IGNORECASE)

它解决了来自 ab-ab-cd-ab 的最后一个“ab”的问题。 但不知何故，它现在不仅匹配“cd”之前的 2 次“ab”（序列 1）-ab-ab-cd），而且匹配“cd”之前的 3 次（或更多）“ab”（序列2, ab-ab-ab-cd)，这是不应该的。

我希望我的问题更清楚。非常感谢所有答案，明天我回来工作时会尝试代码。非常感谢任何进一步的答案，正则表达式代码的解释（我对正则表达式很陌生）以及使用 re.functions（匹配，最终...）的建议。

谢谢

Answer 1

您可以使用re.findall 并对其进行后处理。实际上，您希望找到 ab 或 cd 的所有实例，并查看您的模式 (['ab', 'ab', 'cd']) 是否位于列表的开头。以下：

import re

test1 = "xxxabxxxxxxabxxxxcdxxx"
test2 = "xxxabxxxxabxxxxabxxxxcdxxxx"
test3 = "xxxabxxxxxxxxxxcdxxxx"
test4 = "xxxabxxxxxabxxxxcdxxxabxxx"

for x in (test1, test2, test3, test4):
    matches = re.findall(r'(ab|cd)', x)
    print matches[:3] == ['ab', 'ab', 'cd']

打印

True
False
False
True

根据需要。

Answer 2

为什么需要消极的展望？ 为什么不使用这么简单的东西：

*ab.*ab.*cd

或者如果你需要它从行首找到匹配，你可以使用：

^.*ab.*ab.*cd

编辑： 在您发表评论后，我了解您的需求。试试这个：

^(?:(?!ab).)*ab(?:(?!ab).)*ab(?:(?!ab).)*cd