正则expression式匹配多行文本块
在跨越多行的文本进行匹配时，获取Python正则expression式时遇到了一些麻烦。 示例文本是（'\ n'是换行符）
some Varying TEXT\n \n DSJFKDAFJKDAFJDSAKFJADSFLKDLAFKDSAF\n [more of the above, ending with a newline]\n [yep, there is a variable number of lines here]\n \n (repeat the above a few hundred times). 我想捕捉两件事：'some_Varying_TEXT'部分，以及所有大写文本的行在它下面两行的捕捉（我可以去掉换行符）。 我已经尝试了几种方法：
re.compile(r"^>(\w+)$$([.$]+)^$", re.MULTILINE) # try to capture both parts re.compile(r"(^[^>][\w\s]+)$", re.MULTILINE|re.DOTALL) # just textlines
和很多的变化，没有运气。 最后一个似乎与一行一行的文字相符，这不是我真正想要的。 我可以赶上第一部分，没有问题，但我似乎无法赶上4-5行的大写字母。 我想match.group（1）是some_Varying_Text和组（2）是line1 + line2 + line3 +等，直到遇到空行。
如果有人好奇，它应该是组成蛋白质的一系列氨基酸。
尝试这个：
re.compile(r"^(.+)\n((?:\n.+)+)", re.MULTILINE)
我认为你最大的问题是，你期望^和$锚匹配换行，但他们不。 在多行模式下， ^匹配紧跟在换行符后面的位置， $与匹配换行符之前的位置匹配。
请注意换行符可以由换行符（\ n），回车符（\ r）或回车符+换行符（\ r \ n）组成。 如果您不确定您的目标文本是否仅使用换行符，则应该使用这个更具包容性的正则expression式版本：
re.compile(r"^(.+)(?:\n|\r\n?)((?:(?:\n|\r\n?).+)+)", re.MULTILINE)
顺便说一句，你不想在这里使用DOTALL修饰符; 你依靠的是点符合除了换行之外的所有事物。
这将工作：
>>> import re >>> rx_sequence=re.compile(r"^(.+?)\n\n((?:[AZ]+\n)+)",re.MULTILINE) >>> rx_blanks=re.compile(r"\W+") # to remove blanks and newlines >>> text="""Some varying text1 ... ... AAABBBBBBCCCCCCDDDDDDD ... EEEEEEEFFFFFFFFGGGGGGG ... HHHHHHIIIIIJJJJJJJKKKK ... ... Some varying text 2 ... ... LLLLLMMMMMMNNNNNNNOOOO ... PPPPPPPQQQQQQRRRRRRSSS ... TTTTTUUUUUVVVVVVWWWWWW ... """ >>> for match in rx_sequence.finditer(text): ... title, sequence = match.groups() ... title = title.strip() ... sequence = rx_blanks.sub("",sequence) ... print "Title:",title ... print "Sequence:",sequence ... print ... Title: Some varying text1 Sequence: AAABBBBBBCCCCCCDDDDDDDEEEEEEEFFFFFFFFGGGGGGGHHHHHHIIIIIJJJJJJJKKKK Title: Some varying text 2 Sequence: LLLLLMMMMMMNNNNNNNOOOOPPPPPPPQQQQQQRRRRRRSSSTTTTTUUUUUVVVVVVWWWWWW
关于这个正则expression式的一些解释可能是有用的： ^(.+?)\n\n((?:[AZ]+\n)+)
- 第一个字符（
^）的意思是“从行首开始”。 请注意，它不符合换行符本身（与$相同，意思是“就在换行符之前”，但与换行符本身不匹配）。 - 然后
(.+?)\n\n意思是“尽可能less地匹配字符（所有字符都是允许的），直到达到两条新行”。 结果（没有换行符）放在第一组中。 -
[AZ]+\n表示“尽可能匹配大写字母，直到达到换行符。这定义了我将调用的文本行 。 -
((?:textline)+)表示匹配一个或多个文本行，但不要将每行放在一个组中。 相反，将所有的文本行放在一个组中。 - 你可以在正则expression式中添加最后一个
\n，如果你想在最后执行一个双换行符。 - 另外，如果你不确定你会得到什么types的换行符（
\n或\r或\r\n），那么只需修改正则expression式，用(?:\n|\r\n?)。
如果每个文件只有一个氨基酸序列，我根本不会使用正则expression式。 就像这样：
def read_amino_acid_sequence(path): with open(path) as sequence_file: title = sequence_file.readline() # read 1st line aminoacid_sequence = sequence_file.read() # read the rest # some cleanup, if necessary title = title.strip() # remove trailing white spaces and newline aminoacid_sequence = aminoacid_sequence.replace(" ","").replace("\n","") return title, aminoacid_sequence
找：
^>([^\n\r]+)[\n\r]([AZ\n\r]+)
1 = some_varying_text
\ 2 =所有CAPS的行
编辑（certificate这是有效的）：
text = """> some_Varying_TEXT DSJFKDAFJKDAFJDSAKFJADSFLKDLAFKDSAF GATACAACATAGGATACA GGGGGAAAAAAAATTTTTTTTT CCCCAAAA > some_Varying_TEXT2 DJASDFHKJFHKSDHF HHASGDFTERYTERE GAGAGAGAGAG PPPPPAAAAAAAAAAAAAAAP """ import re regex = re.compile(r'^>([^\n\r]+)[\n\r]([AZ\n\r]+)', re.MULTILINE) matches = [m.groups() for m in regex.finditer(text)] for m in matches: print 'Name: %s\nSequence:%s' % (m[0], m[1])
我的偏好。
lineIter= iter(aFile) for line in lineIter: if line.startswith( ">" ): someVaryingText= line break assert len( lineIter.next().strip() ) == 0 acids= [] for line in lineIter: if len(line.strip()) == 0: break acids.append( line )
在这一点上，你有一些变化的文字作为一个string，酸作为一个string列表。 你可以做"".join( acids )来做一个单一的string。
我觉得这比多线正则expression式更令人沮丧（也更灵活）。
