实验四 正则表达式

一、实验目的

1. 熟悉正则表达式常用的函数；

2. 掌握正则表达式的匹配方法。

二、实验环境

1. 操作系统：Windows

2. 主要软件：Jupyter notebook

三、实验内容

1. 统计输入的字符串中的英文字母、数字、空格和其他字符出现的次数。

（教材《Python程序设计与算法基础教程》第15章上机实践题：2）

提示：用不同的变量分别代表英文字母、数字、空格出现的次数，用总的字符串长度减去这几类字符的次数，剩下的即为其他字符出现的次数

2. 已知一个蛋白质的uniprot格式文件为ZN558_HUMAN.txt，请编程匹配蛋白质的ID、蛋白质名称、物种名称、所属的KEGG通路，把提取的结果输出到屏幕。

注意：实验数据“ZN558_HUMAN.txt”见QQ群文件。

提示：首先观察ZN558_HUMAN.txt文件，寻找蛋白质的ID、蛋白质名称、物种名称、所属的KEGG通路，这些信息所在的位置；再观察附近哪些字符能唯一确定这些信息的位置；最后写出对应正则表达式。可以使用search函数匹配正则表达式；使用group函数获取正则表达式中小括号所匹配到的内容。

输出结果：

ZN558_HUMAN Zinc finger protein 558 Homo sapiens (Human) hsa:148156

3. （选做） 读取uniprot_test.txt文件，统计这个文件中共有多少个蛋白质，并提取每个蛋白质的ID、蛋白质名称、物种名称、所属的KEGG通路，把提取的结果输出到屏幕。

注意：实验数据“uniprot_test.txt”见QQ群文件。

（输出格式如下图所示）

四、实验报告

1. 使用jupyter notebook文档填写实验报告，导出并提交pdf格式文件。

文件命名规则：”星期几+学号+姓名+实验4.pdf。

2. 记录实验步骤和实验结果

3. 记录实验中遇到的问题,如何解决的。

1

s = input('请输入字符串:\n')
letters,space,digit,others = 0,0,0,0
for char in s:
    if char.isalpha():
        letters += 1
    elif char.isspace():
        space += 1
    elif char.isdigit():
        digit += 1
    else:
        others += 1
print('字母个数 = %d,空格 = %d,数字 = %d,其他特殊字符 = %d' % (letters, space, digit, others))

2

import re

with open(r'C:\Users\Polo\Desktop\python 高级编程\ZN558_HUMAN.txt') as f:
    for line in f:
        line1 = re.search('([ID]+ {3})([A-Z0-9]{4,5}[_][A-Z]+)', line)
        if line1 is not None:
            print(line1.group(2), end='')

        line2 = re.search('([R][ecNam: ]{8}[A-Za-z]+=)([A-Za-z0-9- ]+[ ]+[A-Z0-9]*[{A-Za-z0-9:|}]*)', line)
        if line2 is not None:
            print("\t", line2.group(2), end='')

        line3 = re.search('([A-Za-z]+ {3})([A-Za-z]+[ ][A-Za-z]+[ ][(](.*?)?[)])', line)
        if line3 is not None:
            print("\t", line3.group(2), end='')

        line4 = re.search('([KEG]+\S )([hsamu]+.[0-9]+)', line)
        if line4 is not None:
            print("\t", line4.group(2))

3

import re
num=0
with open(r'C:\Users\Polo\Desktop\python 高级编程\uniprot_test.txt') as f:
    for line in f:
        line1 = re.search('([ID]+ {3})([A-Z0-9]{4,5}[_][A-Z]+)', line)
        if line1 is not None:
            num+=1
            if num == 1:
                print('',"{:<11}".format(line1.group(2)), end='')
            else:
                print('\n',"{:<11}".format(line1.group(2)), end='')
        line2 = re.search('([R][ecNam: ]{8}[A-Za-z]+=)([A-Za-z0-9- ]+[ ]+[A-Z0-9]*[{A-Za-z0-9:|}]*)', line)
        if line2 is not None:
            print("\t", "{:<62}".format(line2.group(2)), end='')

        line3 = re.search('([A-Za-z]+ {3})([A-Za-z]+[ ][A-Za-z]+[ ][(](.*?)?[)])', line)
        if line3 is not None:
            print("\t","{:<20}".format(line3.group(2)), end='')

        line4 = re.search('([KEG]+\S )([hsamu]+.[0-9]+)', line)
        if line4 is not None:
            print("\t", "{:<13}".format(line4.group(2)),end='')

print('\n总的蛋白质个数：',num)