regex负前瞻性断言似乎不起作用

Question

为什么我的模式会产生这样的结果？我希望它能找到ATG，然后是一个不包括TAA的3序列。

In [102]: s = 'GATGCCTAAG'
In [103]: pat = re.compile("(ATG((\w\w\w)*)(?!TAA))")
In [104]: pat.findall(s)
Out[104]: [('ATGCCTAAG', 'CCTAAG', 'AAG')]

Answer 1

findall方法返回匹配的列表。如果模式包含捕获组，那么每个匹配都是模式中每个捕获组匹配的字符串的一个元组。

来自文献资料

返回pattern在string中的所有不重叠匹配，作为字符串列表。string由左向右扫描，并按找到的顺序返回匹配。如果模式中存在一个或多个组，则返回组列表；如果模式有多个组，则这将是一个元组列表。结果中包含空匹配，除非它们触及另一个匹配的开始。

您的模式包含三个捕获组。这些组是嵌套的。第一个(和最外层)组是整个模式，(ATG((\w\w\w)*)(?!TAA))。第二组为((\w\w\w)*)。第三组为(\w\w\w)。

注意，负前瞻性断言(?!TAA)是而不是，它是一个捕获组。

本质上，您的模式是匹配密码子ATG，后面跟着尽可能多的密码子，但是如果匹配将在TAA密码子处停止，则备份两个密码子。由于*是贪婪的，您的模式将匹配中间的TAA密码子。只有当TAA发生在输入字符串的末尾时，它才会拒绝一个TAA密码子(以及之前的密码子)。

由于捕获组，您的模式要求每个返回的匹配应该包含三个字符串:整个匹配密码子序列、不包括初始ATG的匹配密码子序列以及序列中的最后匹配密码子。

可以使用(?:...)将组标记为非捕获，如下所示：

In [5]: pat = re.compile("(?:ATG(?:(?:\w\w\w)*)(?!TAA))")

如果您的模式不包含捕获组，那么findall以单个字符串而不是元组的形式返回每个匹配。

In [6]: pat.findall(s)
Out[6]: ['ATGCCTAAG']

如果您想在first TAA停下来，但是如果根本没有TAA，则转到字符串的末尾，您需要检查每个密码子，方法是在重复中放置您的负查找断言：

pat = re.compile("ATG(?:(?!TAA)\w\w\w)*")

这表明，在初始ATG之后的每个密码子上，它不应该与TAA密码子匹配。

如果您想在第一个TAA密码子处停止，即使该密码子与ATG不对齐，您也可以这样做：

In [7]: pat = re.compile("ATG(?:(?!.{0,2}TAA)\w\w\w)*")

In [8]: pat.findall(s)
Out[8]: ['ATG']

In [10]: pat.findall('ATGCCTGAATATAAG')
Out[10]: ['ATGCCTGAA']

Answer 2

另外，在re模块中，*除了@rob所写的内容外，还可能包含该项目的零项。

从医生那里：

*

使结果RE与前面RE的0或更多重复匹配，尽可能多重复。ab*将匹配“a”、“ab”或“a”，后面跟着任意数目的“b”。

Answer 3

我认为您最好的解决方案是创建一个非常简单的正则表达式来捕获TAA，然后应用一个筛选器来去除TAA模式。