Регулярное выражение, соответствующее многострочному блоку текста

это будет работать:

>>> import re
>>> rx_sequence=re.compile(r"^(.+?)\n\n((?:[A-Z]+\n)+)",re.MULTILINE)
>>> rx_blanks=re.compile(r"\W+") # to remove blanks and newlines
>>> text="""Some varying text1
...
... AAABBBBBBCCCCCCDDDDDDD
... EEEEEEEFFFFFFFFGGGGGGG
... HHHHHHIIIIIJJJJJJJKKKK
...
... Some varying text 2
...
... LLLLLMMMMMMNNNNNNNOOOO
... PPPPPPPQQQQQQRRRRRRSSS
... TTTTTUUUUUVVVVVVWWWWWW
... """
>>> for match in rx_sequence.finditer(text):
...   title, sequence = match.groups()
...   title = title.strip()
...   sequence = rx_blanks.sub("",sequence)
...   print "Title:",title
...   print "Sequence:",sequence
...   print
...
Title: Some varying text1
Sequence: AAABBBBBBCCCCCCDDDDDDDEEEEEEEFFFFFFFFGGGGGGGHHHHHHIIIIIJJJJJJJKKKK

Title: Some varying text 2
Sequence: LLLLLMMMMMMNNNNNNNOOOOPPPPPPPQQQQQQRRRRRRSSSTTTTTUUUUUVVVVVVWWWWWW

---

некоторые объяснения об этом регулярном выражении могут быть полезны:^(.+?)\n\n((?:[A-Z]+\n)+)

• первый символ (^) означает "начиная с начала строки". Имейте в виду, что он не соответствует самой новой строке (то же самое для $: это означает "непосредственно перед новой строкой", но он не соответствует самой новой строке).
• затем (.+?)\n\n означает " сопоставьте как можно меньше символов (все символы разрешены), пока вы достигаете двух новых линий". Результат (без новых строк) помещается в первую группу.
• [A-Z]+\n означает " сопоставьте как можно больше прописных букв, пока не достигнете новой строки. Это определяет то, что я буду называть textline.
• ((?: textline)+) означает совпадение одного или нескольких текстовые строки но не помещайте каждую строку в группу. Вместо этого поставьте все the текстовые строки в одном группа.
• вы можете добавить окончательный \n в регулярном выражении, если вы хотите применить двойную новую строку в конце.
• кроме того, если вы не уверены в том, какой тип новой строки вы получите (\n или \r или \r\n) затем просто исправьте регулярное выражение, заменив каждое вхождение \n by (?:\n|\r\n?).

Если каждый файл имеет только одну последовательность аминокислот, я бы вообще не использовал регулярные выражения. Просто что-то вроде этого:

def read_amino_acid_sequence(path):
    with open(path) as sequence_file:
        title = sequence_file.readline() # read 1st line
        aminoacid_sequence = sequence_file.read() # read the rest

    # some cleanup, if necessary
    title = title.strip() # remove trailing white spaces and newline
    aminoacid_sequence = aminoacid_sequence.replace(" ","").replace("\n","")
    return title, aminoacid_sequence

найти:

^>([^\n\r]+)[\n\r]([A-Z\n\r]+)

\1 = some_varying_text

\2 = строки всех заглавных букв

Edit (доказательство того, что это работает):

text = """> some_Varying_TEXT

DSJFKDAFJKDAFJDSAKFJADSFLKDLAFKDSAF
GATACAACATAGGATACA
GGGGGAAAAAAAATTTTTTTTT
CCCCAAAA

> some_Varying_TEXT2

DJASDFHKJFHKSDHF
HHASGDFTERYTERE
GAGAGAGAGAG
PPPPPAAAAAAAAAAAAAAAP
"""

import re

regex = re.compile(r'^>([^\n\r]+)[\n\r]([A-Z\n\r]+)', re.MULTILINE)
matches = [m.groups() for m in regex.finditer(text)]

for m in matches:
    print 'Name: %s\nSequence:%s' % (m[0], m[1])

мои предпочтения.

lineIter= iter(aFile)
for line in lineIter:
    if line.startswith( ">" ):
         someVaryingText= line
         break
assert len( lineIter.next().strip() ) == 0
acids= []
for line in lineIter:
    if len(line.strip()) == 0:
        break
    acids.append( line )

на данный момент у вас есть someVaryingText в виде строки, а кислоты в виде списка строк. Вы можете сделать "".join( acids ) сделать одну строку.

Я нахожу это менее разочаровывающим (и более гибким), чем многострочные регулярные выражения.

ниже приведено регулярное выражение, соответствующее многострочному блоку текста:

import re
result = re.findall('(startText)(.+)((?:\n.+)+)(endText)',input)