匹配多行文本块的正则表达式

Question

在匹配跨越多行的文本时，我在让 Python 正则表达式工作时遇到了一些麻烦。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).

我想捕获两件事：“some_Varying_TEXT”部分，以及在一次捕获中位于它下方两行的所有大写文本行（我可以稍后删除换行符）。我尝试了几种方法：

 re.compile(r"^>(\w+)$$([.$]+)^$", re.MULTILINE) # try to capture both parts
re.compile(r"(^[^>][\w\s]+)$", re.MULTILINE|re.DOTALL) # just textlines

以及其中的许多变体，但没有运气。最后一个似乎与文字行一一对应，这不是我真正想要的。我可以抓住第一部分，没问题，但我似乎无法抓住 4-5 行大写文本。我希望 match.group(1) 是 some_Varying_Text 和 group(2) 是 line1+line2+line3+etc 直到遇到空行。

如果有人好奇的话，它应该是构成蛋白质的一系列氨基酸。

原文由 Jan 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 1

试试这个：

 re.compile(r"^(.+)\n((?:\n.+)+)", re.MULTILINE)

我认为您最大的问题是您期望 ^ 和 $ 锚点匹配换行符，但它们没有。在多行模式下， ^ 匹配换行符 后 的位置， $ 匹配换行符 前 的位置。

另请注意，换行符可以包含换行符 ( \n )、回车符 ( \r ) 或回车符+换行符 ( \r\n ）。如果您不确定您的目标文本是否只使用换行符，您应该使用这个更具包容性的正则表达式版本：

 re.compile(r"^(.+)(?:\n|\r\n?)((?:(?:\n|\r\n?).+)+)", re.MULTILINE)

顺便说一句，您不想在这里使用 DOTALL 修饰符；您依赖于点匹配 除 换行符以外的所有内容的事实。

原文由 Alan Moore 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 2

这将起作用：

 >>> import re
>>> rx_sequence=re.compile(r"^(.+?)\n\n((?:[A-Z]+\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

---

关于此正则表达式的一些解释可能会有用： ^(.+?)\n\n((?:[A-Z]+\n)+)

• 第一个字符 ( ^ ) 表示“从一行的开头开始”。请注意，它与换行符本身不匹配（与 $ 相同：它的意思是“就在换行符之前”，但它与换行符本身不匹配）。
• 然后 (.+?)\n\n 表示“匹配尽可能少的字符（允许所有字符）直到到达两个换行符”。结果（没有换行符）放在第一组中。
• [A-Z]+\n 表示“匹配尽可能多的大写字母，直到到达换行符。这定义了我所说的 _文本行_。
• ((?: textline )+) 表示匹配一个或多个 文本 行，但不要将每一行放在一个组中。相反，将 所有 文本行 放在一组中。
• 如果你想在末尾强制使用双换行符，你可以在正则表达式中添加一个 final \n 。
• 此外，如果您不确定您将获得哪种类型的换行符（ \n 或 \r 或 \r\n ）然后通过替换每个出现的正则表达式 \n (?:\n|\r\n?) 。

原文由 MiniQuark 发布，翻译遵循 CC BY-SA 2.5 许可协议