用于基因名称提取的Python正则表达式

Question

我有一个文本文件：

Chr1 0  100 gene49 Gnomon gene  ID=gene49;Name=LOC101947233;Dbxref=GeneID:101947233;gbkey=Gene;gene=LOC444342;part=1%2F1

我试图从每一行中仅提取基因名称（所以我想提取基因= LOC444342，就是这样。）

我一直在使用以下正则表达式：

 gene=.*;

但是，它不断提取以下内容：

gene=LOC444342;part=1%2F1

显然我不想要任何事情;。

有任何帮助吗？

Answer 1

您当前的正则表达式贪婪（.*），因此它尽可能匹配（gene=之后的所有内容以及 last之后的所有内容发生 ;）。您可以通过添加惰性量词.*来使?懒惰：.*?。然而，由于懒惰量词的回溯，存在更好的选择（减少发现匹配之前的步数）。

选项1

See regex in use here

(?<=gene=)[^;]+

• (?<=gene=)肯定的背后隐藏确保匹配gene=字面上的内容
• [^;]+匹配;除{/ 1}}之外的任何字符

结果：LOC444342

选项2

在匹配中加入gene=和;，您可以将以下内容用作seen in use here

gene=[^;]*;

结果：gene=LOC444342;

Answer 2

使用零宽度外观：

(?<=;)gene=[^;]+(?=;)

• 正面观察(?<=;)与;

  之前的gene=...相匹配

• gene=[^;]+匹配从gene=到下一个;

的所需部分

• 零宽度正向前瞻(?=;)，确保匹配后跟;

没有外观，有捕获的分组：

;(gene=[^;]+);

现在，您需要获取第一个（仅）捕获的组。

示例：

In [4]: str_ = r'Chr1 0  100 gene49 Gnomon gene  ID=gene49;Name=LOC101947233;Dbxref=GeneID:101947233;gbkey=Gene;gene=LOC444342;part=1%2F1'

In [5]: re.search(r'(?<=;)gene=[^;]+(?=;)', str_).group()
Out[5]: 'gene=LOC444342'

In [6]: re.search(r';(gene=[^;]+);', str_).group(1)
Out[6]: 'gene=LOC444342'