Python：用正则表达式从字符串中获取文件名

Question

我有一个文件，其中的行看起来像这样：

chr5    153584000   153599999   D16073_orphan_reads.fa;709[F18|R11] unkn    1   unkn    2509

chr7    153764000   153775999   D16073_orphan_reads.fa;710[F9|R21],14892_orphan_reads.fa;229[F19|R16]   unkn        1   unkn    2510

chr3    127848000   127871999   B15971_orphan_reads.fa;172[F35|R6],D16157-14_orphan_reads.fa;183[F6|R13],14892_orphan_reads.fa;229[F19|R16],USP19283_orphan_reads.fa;336[F10|R6],D15927-14_orphan_reads.fa;176[F11|R10],1007,1007   46  1007    1658

(...)

我想创建一个正则表达式，用于获取每行的fasta文件(.fa)名称（有时一行可能有多个文件）。

我希望最终得到类似以下的内容：

D16073_orphan_reads.fa

D16073_orphan_reads.fa, 14892_orphan_reads.fa

B15971_orphan_reads.fa, D1615714_orphan_reads.fa, 14892_orphan_reads.fa,USP19283_orphan_reads.fa, D15927-14_orphan_reads.fa

我尝试了：

 pattern= re.search(".+.[.fa]", line)

问题在于文件名非常不规则。唯一的线索是：

- 以 .fa 结尾

- 在逗号后开始

谢谢。

- aspire57

Answer 1

在re.findall()调用中使用的正则表达式([\w-]+\.fa);将实现此目的。

import re

data = '''chr5    153584000   153599999   D16073_orphan_reads.fa;709[F18|R11] unkn    1   unkn    2509

chr7    153764000   153775999   D16073_orphan_reads.fa;710[F9|R21],14892_orphan_reads.fa;229[F19|R16]   unkn        1   unkn    2510

chr3    127848000   127871999   B15971_orphan_reads.fa;172[F35|R6],D16157-14_orphan_reads.fa;183[F6|R13],14892_orphan_reads.fa;229[F19|R16],USP19283_orphan_reads.fa;336[F10|R6],D15927-14_orphan_reads.fa;176[F11|R10],1007,1007   46  1007    1658
'''

for line in data.splitlines():
    filenames = re.findall('([\w|-]+\.fa);', line)
    if filenames:
        print ', '.join(filenames)

输出：

D16073_orphan_reads.fa
D16073_orphan_reads.fa, 14892_orphan_reads.fa
B15971_orphan_reads.fa, D16157-14_orphan_reads.fa, 14892_orphan_reads.fa, USP19283_orphan_reads.fa, D15927-14_orphan_reads.fa

- Joe Young

---

[\w|-] 字符类匹配一个单词字符 (\w)，一个字面上的管道 | 或一个字面上的连字符 -。我认为你想要写成 [\w-]。 - Wiktor Stribiżew

@stribizhev 你是对的。感谢纠正！已更新答案以删除管道符号。 - Joe Young

Answer 2

尝试这个模式 ((?=\w+)[\w-]+\.fa)

在此处查看演示 https://regex101.com/r/uJ0vD4/3

说明

(?=\w+)：检查是否有一个或多个单词，如果有，则匹配“。”

[\w-]+：这是在前瞻后被捕获的内容。它可以是一个或多个单词或“-”

\.fa：当满足所有条件时，匹配“.fa”

- james jelo4kul

---

请查看你的正则表达式将匹配什么：D160||||73_orphan_reads|||.fa，153584000fa等。 - Wiktor Stribiżew

stribizhev，感谢您的纠正。那么您的意思是，前瞻或|不是必要的吗？ - james jelo4kul

至少需要转义点，我不确定前瞻。 - Wiktor Stribiżew