复杂的python正则表达式

Question

我有很多这样的台词：

EWSR1{ENST00000397938}:r.1_1364_FLI1{ENST00000429175}:r.1046_3051
EML4{ENST00000318522}:r.1_929_EML4{ENST00000318522}:r.903+188_903+220_ALK{ENST00000389048}:r.4080_6220
FUS{ENST00000254108}:r.1_(608)_FUS{ENST00000254108}:r.(819)_937_DDIT3{ENST00000547303}:r.76_872
TCF3{ENST00000262965}:r.1_1795_ins27_PBX1{ENST00000420696}:r.454_6636
EML4{ENST00000318522}:r.?_ALK{ENST00000389048}:r.?

我需要这样的输出：

对于第一个：

EWSR1 ENST00000397938 1 1364
FLI1 ENST00000429175 1046 3051

对于第二个：

EML4 ENST00000318522 1 929
EML4 ENST00000318522 903+188 903+220
ALK ENST00000389048 4080 6220

第三个：

FUS ENST00000254108 1 (608)
FUS ENST00000254108 (819) 937
DDIT3 ENST00000547303 76 872

第四个：

TCF3 ENST00000262965 1 1795
ins27
PBX1 ENST00000420696 454 6636

第五个：

EML4 ENST00000318522 ?
ALK ENST00000389048 ?

我有数百万行，所以我想想出一个正则表达式为这个，但我不能。我创建了一个条件正则表达式，但我确信有一个更优雅更简单的方法。有人能告诉我一个更简单的方法吗？你知道吗

我现在的解决方案：

import re
import sys

string = sys.argv[1]
if '+?' in string or '-?' in string or not "?" in string:
    for i in re.findall('\w*?\{.*?\}:r\.[\(\)\?\+\-\d]*_[\(\)\?\+\-\d]*', string):
        if 'ins' in i:
            print(re.findall('ins[A-Za-z0-9]*', i)[0])
            i = re.sub('ins[A-Za-z0-9]*', "", i)
        print(i.lstrip('_').split('{')[0], re.findall('\{(.*?)\}', i.lstrip('_'))[0], " ".join(i.lstrip('_').split('r.')[-1].split('_')))

else:
    for i in re.findall('\w*?\{.*?\}:r\.\?', string):
        if 'ins' in i:
            print(re.findall('ins[A-Za-z0-9]*', i)[0])
            i = re.sub('ins[A-Za-z0-9]*', "", i)
        print(i.lstrip('_').split('{')[0], re.findall('\{(.*?)\}', i.lstrip('_'))[0], " ".join(i.lstrip('_').split('r.')[-1].split('_')))

Answer 1

首先在(?<=\d|\)|\?)_(?=[a-z])上拆分，最后将记录分开，如下所示：

EWSR1{ENST00000397938}:r.1_1364
FLI1{ENST00000429175}:r.1046_3051
EML4{ENST00000318522}:r.1_929
EML4{ENST00000318522}:r.903+188_903+220
ALK{ENST00000389048}:r.4080_6220
FUS{ENST00000254108}:r.1_(608)
FUS{ENST00000254108}:r.(819)_937
DDIT3{ENST00000547303}:r.76_872
TCF3{ENST00000262965}:r.1_1795
ins27
PBX1{ENST00000420696}:r.454_6636
EML4{ENST00000318522}:r.?
ALK{ENST00000389048}:r.?

See it here at regex101。你知道吗

然后用(\{|}:r\.|_)替换结果为，结果类似于here on regex101。你知道吗

这会给你

EWSR1 ENST00000397938 1 1364
FLI1 ENST00000429175 1046 3051
EML4 ENST00000318522 1 929
EML4 ENST00000318522 903+188 903+220
ALK ENST00000389048 4080 6220
FUS ENST00000254108 1 (608)
FUS ENST00000254108 (819) 937
DDIT3 ENST00000547303 76 872
TCF3 ENST00000262965 1 1795
ins27
PBX1 ENST00000420696 454 6636
EML4 ENST00000318522 ?
ALK ENST00000389048 ?

Answer 2

第一次拆分为“？=[a-zA-Z]”。然后用“[}{：.\r]”拆分

import re
with open('file.txt') as f:
    for l in f:
        print "\n".join(map(lambda x:" ".join(re.split(r'[}{:._r]',x)),re.split(r'_(?=[a-zA-Z])',l.strip('\n'))))+'\n'

Answer 3

下面是一个单正则表达式解决方案，它可能不那么优雅，但很有效：

((?<![^_])ins\d+)_|([a-zA-Z]+[0-9]*)\{([^{}]*)\}:r\.([-()?+\d]+)?(?:_([-()?+\d]+))?

参见regex demo

细节：

• ((?<![^_])ins\d+)_-第1组捕获ins（前面没有_以外的字符），后面有一个或多个数字，然后是_
• |-或
• ([a-zA-Z]+[0-9]*)-1+ASCII字母，后跟0+数字（如果可以混合使用，请使用\w*而不是[0-9]*）
• \{([^{}]*)\}-一个{...}子串，其内容（不能有{或}）被捕获到组2中
• :r\.-文字字符序列:r.
• ([-()?+\d]+)?可选捕获组（ID 3）贪婪地匹配-、(、)、?、+或数字1次或多次
• (?:_([-()?+\d]+))?-一个可选的非捕获组匹配_并捕获到组4中与上述相同的子模式。你知道吗

Python demo：

import re
regex = r"((?<![^_])ins\d+)_|([a-zA-Z]+[0-9]*)\{([^{}]*)\}:r\.([-()?+\d]+)?(?:_([-()?+\d]+))?"
test = ["EWSR1{ENST00000397938}:r.1_1364_FLI1{ENST00000429175}:r.1046_3051",
    "EML4{ENST00000318522}:r.1_929_EML4{ENST00000318522}:r.903+188_903+220_ALK{ENST00000389048}:r.4080_6220",
    "FUS{ENST00000254108}:r.1_(608)_FUS{ENST00000254108}:r.(819)_937_DDIT3{ENST00000547303}:r.76_872",
    "TCF3{ENST00000262965}:r.1_1795_ins27_PBX1{ENST00000420696}:r.454_6636",
    "EML4{ENST00000318522}:r.?_ALK{ENST00000389048}:r.?"]
res = []
for s in test:
    for match in re.finditer(regex, s):
        tmp = []
        for groupNum in range(0, len(match.groups())):
            if match.group(groupNum+1):
                tmp.append(match.group(groupNum+1))
        res.append(tmp)
print(res)

结果：

[
 ['EWSR1', 'ENST00000397938', '1', '1364'],
 ['FLI1', 'ENST00000429175', '1046', '3051'],

 ['EML4', 'ENST00000318522', '1', '929'],
 ['EML4', 'ENST00000318522', '903+188', '903+220'],
 ['ALK', 'ENST00000389048', '4080', '6220'],

 ['FUS', 'ENST00000254108', '1', '(608)'],
 ['FUS', 'ENST00000254108', '(819)', '937'],
 ['DDIT3', 'ENST00000547303', '76', '872'],

 ['TCF3', 'ENST00000262965', '1', '1795'],
 ['ins27'],
 ['PBX1', 'ENST00000420696', '454', '6636'],

 ['EML4', 'ENST00000318522', '?'],
 ['ALK', 'ENST00000389048', '?']
]