Python 正则表达式: 如何重复重复的模式?

最新推荐文章于 2024-11-09 21:51:27 发布

qq^^614136809

最新推荐文章于 2024-11-09 21:51:27 发布

阅读量409

点赞数 5

文章标签： python 正则表达式 mysql

本文链接：https://blog.csdn.net/D0126_/article/details/142762386

版权

在分析 DNA 核苷酸的长链时，我们需要找出以起始码 ‘AAA’ 开头并以终止码 ‘CCC’ 结尾的序列。由于核苷酸以三联体形式出现，因此在每个找到的序列的起始和终止之间若要找到的序列的核苷酸数必须为三的倍数。

例如，‘AAAGGGCCC’ 是一个有效的序列，而 ‘AAAGCCC’ 则不是。

除此之外，在每个终止码之前，我们希望找到相对于特定读码框最长的序列。

例如，如果 DNA 是 ‘AAAGGGAAACCC’，那么 ‘AAAGGGAAACCC’ 和 ‘AAACCC’ 在技术上都是有效的，但由于它们共享同一个终止码实例，因此我们只想要最长的 DNA 链 ‘AAAGGGAAACCC’。

另外，如果我们的链是 ‘AAAAGGCCCCC’，我们必须返回 ‘AAAAGGCCC’ 和 ‘AAAGGCCCC’，因为它们处于不同的读码框（一个读码框为模 3，另一个为模 1。）

虽然我们认为已经有了用于搜索满足 3 的倍数要求且不会重叠的字符串的代码，但对于如何实现保持相同读码框的第二个条件仍存有疑问。

下面的代码只返回那些不重叠的最长字符串，但并没有区分读码框，因此在上面的例子中，它会捕获 ‘AAAAGGCCC’ 但不会捕获 ‘AAAGGCCCC’：

match = re.finditer(r"AAA\w{3}{%d}BBB$"% (minNucleotide-6, math.ceil((minNucleotide-6)/3))

对于问题如何实现保持相同读码框的第二个条件仍存有疑问。

2、解决方案

方法 1：使用肯定先行断言。

肯定先行断言允许我们在字符串的每个字符处重新应用正则表达式，从而可以找到所有重叠的匹配项。这是因为先行断言不会像普通匹配那样消耗任何字符。

由于仍然需要匹配一些实际文本，因此可以使用捕获组来实现。

由于 re.findall() 返回捕获组的内容而不是完整的正则表达式匹配（它们全部都将是 ‘’），因此可以使用以下代码：

import re

def find_overlapping(sequence):
    return re.findall(
    """(?=        # Assert that the following regex could be matched here:
     (            # Start of capturing group number 1.
      AAA         # Match AAA.
      (?:         # Start of non-capturing group, matching...
       [AGCT]{3}  # a DNA triplet
      )*?         # repeated any number of times, as few as possible.
      CCC         # Match CCC.
     )            # End of capturing group number 1. 
    )             # End of lookahead assertion.""", 
    sequence, re.VERBOSE)