使用正则表达式拆分标题和内容

Question

我在文件中有以下序列文本每个标题以“>”开头的内容行数是随机的>XM_024446048.1 PREDICTED: Homo sapiens mannosidase alpha class 2A member 1 (MAN2A1), transcript variant X2, mRNACAGCCCCCTGAGCGACTCCCTAATGTGACAGTAAAGAA>NM_001308028.1 Homo sapiens FER tyrosine kinase (FER), transcript variant 2, mRNACAGCCCCCGTGACGCGGGGTGGTGACTGGCTCGGTGGTGTGAC>NM_0013082323028.1 H STZ mRSN1ACAGCCCCCGTGACGCGGGGTGGTGACTGGCTCCGGAGTCTGAGGGGTTCGG我想以下列格式创建一个嵌套的字典：nested_dict = { 'sequence1': {'header': 'XM_024446048.1 PREDICTED: Homo sapiens mannosidase alpha class 2A member 1 (MAN2A1), transcript variant X2, mRNA','content': 'CAGCCCCCTGAGCGACTCCCTAATGTGACAGTAAAGAA'},               'sequence2': {'header': 'NM_001308028.1 Homo sapiens FER tyrosine kinase (FER), transcript variant 2, mRNA','content': 'CAGCCCCCGTGACGCGGGGTGGTGACTGGCTCGGTGGTGTGAC'},               'sequence3': {'header': 'NM_0013082323028.1 H STZ mRSN1A','content': 'CAGCCCCCGTGACGCGGGGTGGTGACTGGCTCCGGAGTCTGAGGGGTTCGG'}我被正则表达式困住了，有人可以帮助我吗？

Answer 1

你可以用

^>

(?P<header>

[^\n()]*

    (?:\((?P<name>[^\n()]+)\))?

[^()\n]*

)

[\n\r]

(?P<content>[\s\S]+?)(?=^>|\Z)

使用multiline和verbose标志，请参阅regex101.com 上的演示。

在Python：

rx = re.compile(r'''

    ^>

    (?P<header>

    [^\n()]*

        (?:\((?P<name>[^\n()]+)\))?

    [^()\n]*

    )

    [\n\r]

    (?P<content>[\s\S]+?)(?=^>|\Z)''', re.M | re.X)

sequences = {"sequence{}".format(idx):

                 {"header": m.group('header'),

                  "content": m.group("content"),

                  "name": m.group('name')

                  }

             for idx, m in enumerate(rx.finditer(data), 1)}

print(sequences)

这产生

{'sequence1': {'header': 'XM_024446048.1 PREDICTED: Homo sapiens mannosidase alpha class 2A member 1 (MAN2A1), transcript variant X2, mRNA', 'content': 'CAGCCCCC\nTGAGCGAC\nTCCCTAATGTG\nACAGTAAAGAA\n', 'name': 'MAN2A1'}, 'sequence2': {'header': 'NM_001308028.1 Homo sapiens FER tyrosine kinase (FER), transcript variant 2, mRNA', 'content': 'CAGCCC\nCCGTGACGC\nGGGGTGGTGACT\nGGCTC\nGGTGGT\nGTGAC\n', 'name': 'FER'}, 'sequence3': {'header': 'NM_0013082323028.1 H STZ mRSN1A', 'content': 'CAGCCC\nCCGTGACGC\nGGG\nGTGGTGA\nCTGGCTCCGGAGT\nCTGAGGGGTTCGG', 'name': None}}

在 ideone.com 上查看演示。