如何使用re.search和group()函数从文件中提取蛋白质名称

Question

我试图从一个文件中提取出所有的蛋白质名称，并将其保存为一个列表，但是我继续获得一个空列表作为我的输出。下面是文件中几行代码的示例。请注意，这个文件基本上是不同物种的蛋白质，我需要提取由物种的OS=名称表示的名称。

sp|Q8C025|CHPT1_MOUSE Cholinephosphotransferase 1 OS=Mus musculus GN=Chpt1 PE=1 SV=1
sp|Q9Y6K0|CEPT1_HUMAN Choline/ethanolaminephosphotransferase 1 OS=Homo sapiens GN=CEPT1 PE=1 SV=1
sp|O14735|CDIPT_HUMAN CDP-diacylglycerol--inositol 3-phosphatidyltransferase OS=Homo sapiens GN=CDIPT PE=1 SV=1
sp|Q8WUD6|CHPT1_HUMAN Cholinephosphotransferase 1 OS=Homo sapiens GN=CHPT1 PE=1 SV=1
sp|P17898|CPT1_YEAST Cholinephosphotransferase 1 OS=Saccharomyces cerevisiae (strain ATCC 204508 / S288c) GN=CPT1 PE=1 SV=3
sp|O80952|PGPS1_ARATH CDP-diacylglycerol--glycerol-3-phosphate 3-phosphatidyltransferase 1, chloroplastic OS=Arabidopsis thaliana GN=PGPS1 PE=1 SV=1
sp|P22140|EPT1_YEAST Choline/ethanolaminephosphotransferase 1 OS=Saccharomyces cerevisiae (strain ATCC 204508 / S288c) GN=EPT1 PE=1 SV=2

，在上面的例子中的物种名称，musculus，家鼠。所有的序列名称都与“OS=”相似，表示物种名称的开头，其次是属和用空格分隔的物种。

贝娄是这个问题的说明：

1. 通过文件protein_names.txt提取所有物种的名称。

1. 将属名和种名组合成一个单独的字符串，以空格分隔(例如“musculus")，并确保在名称的开头或结尾删除任何空格。

1. 许多种都是由一种以上的蛋白质代表。您可以包括或排除冗余名称--我不在乎

到目前为止，这就是我所编码的：

name_file= open("protein_names.txt")
name_file_contents = name_file.readlines()
name_file_2=str(name_file_contents)
protein = r"^OS=(.\n.)$"
search= re.search(protein,name_file_2)
species_names= []

for protein_names in name_file:
    if search:
        search.group()
        species_names.append(search.group())
print(species_names)

收到一份空的名单，不知道我哪里出了问题。

Answer 1

有很多不同的方法来实现这一点，我将继续努力寻找一个更好的方法。其他用户已经就您的代码给出了建议，所以我现在没有任何要添加的内容。

现在，这里有一个简单的解决方案。它懒洋洋地读取文件，所以内存的使用不应该是一个问题。

import re


org_name_regex = re.compile(r'(?<=OS=)[a-zA-Z0-9 ()/]+(?= )')


def get_file_org_names(file_path, unique=True):
    with open(file_path, 'r') as in_file:
        match_objs = (org_name_regex.search(curr_line) for curr_line in in_file)
        names_lst = (item.group() for item in match_objs if item is not None)
        if unique:
            return set(names_lst)
        else:
            return list(names_lst)


org_names_unq = set(get_file_org_names(protein_file_path, True))

Answer 2

迭代每一行并在re.search中使用正则表达式re.search。检查是否匹配，如果匹配，则使用group(1)将组括号中的组添加到物种集合中：

import re

species = set()

with open("protein_names.txt") as protein_file:
    for line in protein_file:
        result = re.search("OS=\\s*(\\S+ \\S+)", line)
        if result is not None:
            species.add(result.group(1))

print(species)

为了好玩，这里有一个在一行中完成大部分工作的版本：

import re

species = None
with open("protein_names.txt") as protein_file:
    species = set(result.group(1) for result in re.finditer("OS=\\s*(\\S+ \\S+)", protein_file.read()))

print(species)

而且为了更多的乐趣，另一条~-一行程序迭代文件，而不是一次全部加载它：

import re, itertools

species = None
with open("protein_names.txt") as protein_file:
    species = set(result.group(1) for result in itertools.chain(
            *(re.finditer("OS=\\s*(\\S+ \\S+)", line) for line in protein_file)
            ))

print(species)