re.MULTILINE和re.DOTALL的结合使用

Question

基本上，输入文件如下所示：

U51677人非组蛋白染色质蛋白HMG1 (HMG1)基因 cds。#有些记录没有这一行(见下文)长度= 2575 (一些案文) U51677人非组蛋白染色质蛋白HMG1 (HMG1)基因 长度= 2575 (一些案文) (等等)

现在我写了这个来提取以>开头的行和长度的数字

import re
regex = re.compile("^(>.*)\r\n.*Length\s=\s(\d+)", re.MULTILINE)
match = regex.findall(sample_blast.read())

print match[0]

当长度行是>行的下一行时，它可以很好地提取记录。

然后，我尝试了re.DOTALL，它应该进行任何记录匹配(.*Length)，而不管是否有额外的行。

regex = re.compile("^(>.*)\r\n.*(?:\r\n*.?)Length\s=\s(\d+)", re.MULTILINE|re.DOTALL)

但不起作用。我尝试了re.MULTILINE和re.DOTALL，而不是管道，但仍然无法工作。

因此，问题是如何创建与记录匹配的正则表达式并返回所需的组，而不管记录中是否有额外的行。如果有人也能在re.VERBOSE中展示这一点，那就太好了。很抱歉给你这么长的邮件，谢谢你提前提供帮助。:)

Answer 1

试试这个正则表达式：

"^(>[^\r\n]*).*?Length\s=\s(\d+)"

设置了这两个选项(使用管道符号)。

第一个捕获组将匹配所有内容，直到> (独立于您的操作系统)之后的第一行中断。然后，.*?将匹配任何字符，直到遇到第一次 Length为止。剩下的和你的第一次尝试是一样的。

前一次尝试的问题似乎是，您使用的.*可以匹配任何东西，同时又很贪婪(因此它将消耗尽可能多的资源，包括下面的Length = 2575 )。

Answer 2

sample_blast = """
>U51677 Human non-histone chromatin protein HMG1 (HMG1) gene, complete

       cds. #some records don't have this line (see below)

       Length = 2575
(some text)

>U51677 Human non-histone chromatin protein HMG1 (HMG1) gene, complete

       Length = 2575
(some text)

(etc...)
"""
import re
regex = re.compile("^>(.*?)Length\s=\s(\d+)", re.MULTILINE|re.DOTALL)
match = regex.findall(sample_blast)

print(match)

[("U51677 Human non-histone chromatin protein HMG1 (HMG1) gene, complete\n\n       cds. #some records don't have this line (see below)\n\n       ", '2575'),
 ('U51677 Human non-histone chromatin protein HMG1 (HMG1) gene, complete\n\n       ', '2575')]