正则表达式在Perl中给出了一些错误

Question

我有一段代码：

if ($line =~ /gene_id "([A-Za-z0-9:._]*)";/) {
            $chromosome{$1} = $chompline[0];
            push @{$starts{$1}}, $chompline[3];
            push @{$ends{$1}}, $chompline[4];
            $strand{$1} = $chompline[6];
            $geneid = $1;
            $line =~ /;transcript_id "([A-Za-z0-9:._]*)";/;
            $transcriptid = $1;
        }

此代码读取以下文件：

scaffold_1  Cufflinks   exon    40478   40618   .   +   .   gene_id "ppa023343m.g";transcript_id "PAC:17657390";tss_id "TSS1"
scaffold_1  Cufflinks   exon    40723   40832   .   +   .   gene_id "ppa023343m.g";transcript_id "PAC:17657390";tss_id "TSS1"
scaffold_1  Cufflinks   exon    40944   41016   .   +   .   gene_id "ppa023343m.g";transcript_id "PAC:17657390";tss_id "TSS1"
scaffold_1  Cufflinks   exon    41667   41728   .   +   .   gene_id "ppa023343m.g";transcript_id "PAC:17657390";tss_id "TSS1"
scaffold_1  Cufflinks   exon    42268   42585   .   -   .   gene_id "ppa017353m.g";transcript_id "PAC:17642447";tss_id "TSS3451"
scaffold_1  Cufflinks   exon    43369   43510   .   +   .   gene_id "ppa023343m.g";transcript_id "PAC:17657390";tss_id "TSS1"
scaffold_1  Cufflinks   exon    44834   45052   .   +   .   gene_id "ppa023343m.g";transcript_id "PAC:17657390";tss_id "TSS1"
scaffold_1  Cufflinks   exon    45195   45261   .   +   .   gene_id "ppa023343m.g";transcript_id "PAC:17657390";tss_id "TSS1"
scaffold_1  Cufflinks   exon    47061   47460   .   +   .   gene_id "ppa023343m.g";transcript_id "PAC:17657390";tss_id "TSS1"
scaffold_1  Cufflinks   exon    49006   49153   .   +   .   gene_id "ppa023343m.g";transcript_id "PAC:17657390";tss_id "TSS1"

该代码可以很好地处理除以下行以外的所有行：

scaffold_2  Cufflinks   exon    16897769    16898166    .   -   .   gene_id "ppa018337m.g";transcript_id "PAC:17646596_o.3";tss_id "TSS10299"
scaffold_2  Cufflinks   exon    16899376    16899536    .   -   .   gene_id "ppa018337m.g";transcript_id "PAC:17646596_o.3";tss_id "TSS10299"

例如，我想要以下输出：

ppa023343m.g PAC:17657390

除了我向你们展示的那些代码之外，这种情况一直都在发生。对于这些行，我得到了以下结果：

PAC:17646596_o.3 PAC:17646596

那件事怎么可能？

Answer 1

在您的第二个正则表达式中，您会说：

$line =~ /;transcript_id "([A-Za-z0-9:._]*)";/;

您允许从a到z和从A到Z的字符，以及所有数字、冒号:、点.和下划线_。你的代码行有这样的东西：

transcript_id "PAC:17646596_o.3";
transcript_id "PAC:17646596_o.3";

来自正则表达式的字符组中的所有内容都在那里，所以它们是匹配的。有下划线和点，还有更多的字母和数字。您的代码完全按照您告诉它的方式执行。

也许这个解释能帮助你更好地理解它：http://regex101.com/r/dE9hJ3

如果您不希望在输出中包含_o.3，请将正则表达式更改为他的：

$line =~ /;transcript_id "([A-Za-z0-9:]*)[^"]*";/;
        #                               ^
        #             notice the ) here ends the capture group

Answer 2

在使用捕获的变量之前，请始终验证正则表达式是否成功。

$transcriptid = $line =~ /;transcript_id "([\w:.]*)";/
    ? $1
    : warn "transcript_id didn't match: $line";

或者，您也可以将正则表达式匹配连接到单个语句中，因此只需进行一次错误检查：

if ($line =~ /gene_id "([\w:.]*)";transcript_id "([\w:.]*)";/) {
    ($geneid, $transcriptid) = ($1, $2);

    $chromosome{$geneid} = $chompline[0];
    push @{$starts{$geneid}}, $chompline[3];
    push @{$ends{$geneid}}, $chompline[4];
    $strand{$geneid} = $chompline[6];

} else {
    warn "Regex didn't match: $line\n"
}

Answer 3

您需要转义诸如句点之类的字符，否则它将匹配任何字符。此外，让单个正则表达式捕获这两部分数据(基于您发布的代码，并且不知道您的意图)也更有意义：

if ($line =~ /gene_id "([^\"]*)";transcript\_id\s\"(PAC:[^\"]*)\"/ ) {
    $geneid = $1;
    $transcriptid = $2;
}

编辑:正则表达式演示链接：http://regex101.com/r/wK1gF8