Question

为什么我的模式会产生这种结果？我希望它找到ATG然后是3的序列，不包括TAA。

In [102]: s = 'GATGCCTAAG'
In [103]: pat = re.compile("(ATG((\w\w\w)*)(?!TAA))")
In [104]: pat.findall(s)
Out[104]: [('ATGCCTAAG', 'CCTAAG', 'AAG')]

Answer 1

findall方法返回匹配列表。如果模式包含捕获组，则每个匹配都是模式中每个捕获组匹配的字符串的元组。

来自the documentation：

返回pattern中string的所有非重叠匹配，作为字符串列表。从左到右扫描string，并按找到的顺序返回匹配项。如果模式中存在一个或多个组，则返回组列表;如果模式有多个组，这将是一个元组列表。结果中包含空匹配，除非它们触及另一场比赛的开头。

您的模式包含三个捕获组。这些组是嵌套的。第一个（也是最外面的）组是整个模式(ATG((\w\w\w)*)(?!TAA))。第二组是((\w\w\w)*)。第三组是(\w\w\w)。

请注意，否定前瞻声明(?!TAA) 不是捕获组。

实质上，您的模式表示匹配密码子ATG，然后是尽可能多的密码子，但如果匹配将停在TAA密码子，则备份两个密码子。由于*是贪婪的，因此您的模式将匹配中间的TAA密码子。如果TAA出现在输入字符串的末尾，它将仅拒绝TAA密码子（以及之前的密码子）。

由于您的捕获组，您的模式表明每个返回的匹配应包含三个字符串：匹配密码子的完整序列，匹配密码子的序列（不包括初始ATG）和序列中最后匹配的密码子

您可以使用(?:...)将群组标记为非捕获，如下所示：

In [5]: pat = re.compile("(?:ATG(?:(?:\w\w\w)*)(?!TAA))")

如果您的模式不包含捕获组，则findall将每个匹配作为单个字符串返回，而不是作为元组。

In [6]: pat.findall(s)
Out[6]: ['ATGCCTAAG']

如果您想停在第一个 TAA，但如果根本没有TAA，请转到字符串的末尾，您需要检查每个密码子，通过在重复中放置负面的先行断言：

pat = re.compile("ATG(?:(?!TAA)\w\w\w)*")

在初始ATG之后的每个密码子处断言它不应与TAA密码子匹配。

如果你想停在第一个TAA密码子上，即使该密码子与ATG不一致，你也可以这样做：

In [7]: pat = re.compile("ATG(?:(?!.{0,2}TAA)\w\w\w)*")

In [8]: pat.findall(s)
Out[8]: ['ATG']

In [10]: pat.findall('ATGCCTGAATATAAG')
Out[10]: ['ATGCCTGAA']

Answer 2

此外，在re模块中，*除了@rob mayoff所写的内容之外，*可能包括该项目的零。

来自文档：

使得到的RE匹配0或更多次重复在RE之前，尽可能多的重复。 ab *将匹配'a'， 'ab'或'a'后跟任意数量的'b'。

Answer 3

我认为你最好的解决方案是创建一个非常简单的正则表达式来捕获TAA，然后应用一个去除TAA模式的过滤器。

正则表达式否定先行断言似乎不起作用

3 个答案: