Question

我已经制定了一些我需要在文件中搜索的规则。这些规则本质上是具有未知数量的单词的短语。例如，

mutant...causes(...)GS

这是一个短语，我想在我的文件中搜索。 ...意味着应该在这里说几句话（即在这个空白中）＆amp; (...)表示此差距中可能存在/可能没有字词。 GS这是我知道的固定字符串变量。

基本上我通过浏览许多这样的文件制定了这些规则，他们告诉我一个特定的文件可以满足我的要求。

问题在于差距可能有任何（小）字数。甚至可以在其中一个缺口中开始一条新线。因此，我无法进行相同的字符串匹配。

一些示例文本 -

!Series_summary "To better understand how the expression of a *mutant gene that causes ALS* can perturb the normal phenotype of astrocytes, and to identify genes that may

此处GS是ALS（已定义），应将星号文本视为规则mutant...causes(...)GS

!Series_overall_design "The analysis includes 9 samples of genomic DNA from isolated splenic CD11c+ dendritic cells (>95% pure) per group. The two groups are neonates born to mothers with *induced allergy to ovalbumin*, and normal control neonates. All neonates are genetically and environmentally identical, and allergen-naive."

这里的GS是卵清蛋白（已定义），应该找到带星号的文本作为规则的正匹配 induced...to GS

我是python编程的初学者，所以任何帮助都会很棒!!

Answer 1

以下内容应该让您入门，它将读入您的文件并使用Python regular expression显示所有可能匹配的行，这将帮助您确定它匹配所有正确的行：

import re

with open('input.txt', 'r') as f_input:
    data = f_input.read()
    print re.findall(r'(mutant\s.*?\scauses.*?GS)', data, re.S)

然后只搜索一个匹配项，将findall更改为search：

import re

with open('input.txt', 'r') as f_input:
    data = f_input.read()
    if re.search(r'(mutant\s.*?\scauses.*?GS)', data, re.S):
        print 'found'

要在许多此类文件上执行此操作，您可以按如下方式进行调整：

import re
import glob

for filename in glob.glob('*.*'):
    with open(filename, 'r') as f_input:
        data = f_input.read()
        if re.search(r'mutant\s.*?\scauses.*?GS', data, re.S):
            print "'{}' matches".format(filename)

在行内搜索特定的短语模式。蟒

1 个答案: