提取字符串與正則表達式是不穩定的

Question

好清晨，

我有我們在以前的職位上建立以下python正則表達式文件。這意味着提取任何類似'chr'+ number +'：'+ bignumber「..」+ bignumber的信息（因此看起來像chr1：100000..120000） 如果將chr1切換爲chrX，正則表達式腳本不會「T工作了......

這裏是原始腳本：

# Opens each file to read/modify 
    infile='myfile.txt' 
    outfile='outfile.txt' 

    #import Regex 
    import re 

    with open (infile, mode='r', buffering=-1) as in_f, open (outfile, mode='w', buffering=-1) as out_f: 
     f = (i for i in in_f if '\t' in i.rstrip()) 
     for line in f: 
      _, k = line.split('\t',1) 
      x = re.findall(r'^1..100\t([+-])chr(\d+):(\d+)\.\.(\d+).+$',k) 
      if not x: 
       continue 
      out_f.write(' '.join(x[0]) + '\n') 

如果我改變了這一行：

x = re.findall(r'^1..100\t([+-])chrX(\d+):(\d+)\.\.(\d+).+$',k) 

我不能具體提取任何看起來像chrX等... 你也應該知道有些行可能是空的！

請幫助:)謝謝

Answer 1

我不完全明白你的問題，但我會嘗試給出了基於代碼一些建議。

這裏最重要的一行：

x = re.findall(r'^1..100\t([+-])chr(\d+):(\d+)\.\.(\d+).+$',k) 

觀察：

0）我甚至不知道什麼buffering=-1將在呼叫做open()。我建議你擺脫這一點，並允許標準行爲，這是行緩衝。在這種情況下，您希望一次處理一行文件。 （默認值與指定buffering=1相同。）

1）re.findall()返回匹配列表。但是，通過在您的模式中使用$，您可以保證最多隻能獲得一次匹配，因爲每行只能有一行結束。所以你應該使用re.search()。您甚至可以使用re.match()，因爲您將^錨定到該行的開頭。

2）我不建議您使用.split()方法函數來擺脫領先選項卡。只需將標籤摺疊到正則表達式中即可。它更簡單快捷。

3）你的模式要求每行開始，像這樣的字符串：

1aa100 
100100 
1xx100 
1xy100 

這是你想要的嗎？每行是否始終以「100」結尾的數字開頭？如果它始終是一個數字，您可能需要在模式中使用\d而不是.。

4）您需要上面匹配的數字之後的選項卡。然後你有一個匹配組，匹配一個'+'或' - '，並讓你收集匹配的值。我很好奇你會用它做什麼。

5）圖案chr\d+將匹配chr0，chr1，chr11，chr111等的數字的任何組合，具有1位的最小長度。我不確定你是否期望它實際上匹配大寫'X'（你談到匹配chrX），但它肯定不會。

6）你匹配一個數字，兩個實際時期和另一個數字。這看起來完全正確，對我很好。然後，第二個數字後，您一起使用.和+。這需要在行結束之前有一個或多個額外的字符。我想知道這是否會導致您的問題。也許你應該使用.*匹配零個或多個額外的字符？

7）如果您使用re.match()而不是re.findall()，則不需要使用x[0]即可進入匹配組。

8）如果您有一個匹配組m,' '.join(m)不起作用。你得到一個類型錯誤。您需要改用' '.join(m.groups())。 9）我認爲與chr和..分開的兩個數字本身相當不錯，所以也許你可以放鬆模式的其餘部分，只是匹配那些。

10）我總是喜歡預編譯我的正則表達式模式。速度更快，然後您可以在編譯的模式上使用方法函數。例如，如果pat是預編譯的正則表達式，則可以使用pat.search(line)來搜索一行文本。

把我的建議，這裏是一些Python代碼，你可以試試：

import re 

infile='myfile.txt' 
outfile='outfile.txt' 

pat = re.compile(r'([+-])chr([^:]+):(\d+)\.\.(\d+)') 

with open(infile, mode='r') as in_f, open(outfile, mode='w') as out_f: 
    for line in in_f: 
     if '\t' not in line.rstrip(): 
      continue 
     m = pat.search(line) 
     if not m: 
      continue 
     out_f.write(' '.join(m.groups()) + '\n') 

編輯：既然你似乎想認字符串chrX爲有效，我改變了上面的示例代碼。而不是\d來匹配一個數字，它現在使用[^:]來匹配除冒號以外的任何內容。上面的代碼應該匹配chr1:，chrX:，或者其他任何東西。