使用Python regex在模式中剪切

Question

目标：我试图在Python RegEx中执行一个剪切，其中split不能完全实现我想要的效果。我需要在一个模式内，但在字符之间。在

我要找的是：

我需要在一个字符串中识别下面的模式，并在管道位置拆分字符串。这根管子实际上并不在绳子里，它只是显示我想在哪里分裂。在

图案：CDE|FG

字符串：ABCDEFGHIJKLMNOCDEFGZYPE

结果：['ABCDE', 'FGHIJKLMNOCDE', 'FGZYPE']

我的尝试：

我似乎使用带括号的split似乎很接近，但它并没有像我需要的那样将搜索模式附加到结果中。在

re.split('CDE()FG', 'ABCDEFGHIJKLMNOCDEFGZYPE')

给予

['AB', 'HIJKLMNO', 'ZYPE']

当我需要的时候

['ABCDE', 'FGHIJKLMNOCDE', 'FGZYPE']

动机：

我想看看我是否可以用正则表达式来编写一个脚本，用特定的蛋白酶来预测蛋白质消化的片段。在

Answer 1

你可以用re.split()和正的"look arounds"来解决它：

>>> re.split(r"(?<=CDE)(\w+)(?=FG)", s)
['ABCDE', 'FGHIJKLMNOCDE', 'FGZYPE']

---

请注意，如果其中一个剪切序列是空字符串，则会在结果列表中得到一个空字符串。你可以“手动”处理，样本（我承认，它不是那么漂亮）：

^{pr2}$

印刷品：

['ABCDE', 'FGHIJKLMNOCDE', 'FGZYPE']
['ABCDEFGHI', 'JKLMNOCDEFGZYPE']
['ABCDE', 'FGHIJKLMNOCDEFGZYPE']

Answer 2

若要在使用re.split或其部分拆分时保持拆分模式，请将它们括在括号中。在

>>> data
'ABCDEFGHIJKLMNOCDEFGZYPE'
>>> pieces = re.split(r"(CDE)(FG)", data)
>>> pieces
['AB', 'CDE', 'FG', 'HIJKLMNO', 'CDE', 'FG', 'ZYPE']

很简单。所有的部件都在那里，但是正如你所看到的，它们已经分开了。所以我们需要重新组装。这才是最棘手的部分。仔细看，你会发现你需要把前两个部分连接起来，最后两个部分连接起来，剩下的三个部分连接起来。我通过填充列表来简化代码，但是如果性能有问题，可以使用原始列表（以及一些额外的代码）来完成。在

^{pr2}$

re.split()保证为每个捕获（带圆括号）组分配一个片段，再加上一个片段用于介于两者之间的组。对于需要自己分组的更复杂的正则表达式，请使用非捕获组来保持返回数据的格式不变。（否则需要调整重新组装步骤。）

我也喜欢Bhargav Rao的建议，在字符串中插入一个分隔符字符。如果性能不是问题，我想这是一个品味的问题。在

编辑：这里有一种（透明度较低）方法，可以在不向列表中添加空字符串的情况下进行编辑：

pieces = re.split(r"(CDE)(FG)", data)
result = [ "".join(pieces[max(i-3,0):i]) for i in range(2,len(pieces)+2, 3) ]

Answer 3

一种非regex方法是使用管道值replace对模式执行split。在

>>> pattern = 'CDE|FG'
>>> s = 'ABCDEFGHIJKLMNOCDEFGZYPE'
>>> s.replace('CDEFG',pattern).split('|')
['ABCDE', 'FGHIJKLMNOCDE', 'FGZYPE']