c++ - 使用正则表达式解析零宽度正则表达式

Question

我们使用零宽度正则表达式字符串来指定氨基酸符号字符串(基本上是 A-Z)中有效切割位点的位置。例如，蛋白水解 enzyme 胰蛋白 enzyme 在 K 或 R 之后裂解，除非后跟 P ((?<=[KR])(?!P))。我想将这些正则表达式转换为在该领域也很常见的“剪切/不剪切”符号。例如，胰蛋白 enzyme 在“KR”之后切割，不切割“P”。我的第一次尝试适用于简单的情况:

// match zero or one regex term like (?<=[KR]) or (?<=K) or (?<![KR]) or (?<!K)
// followed by zero or one term like (?=[KR]) or (?=K) or (?![KR]) or (?!K)
boost::regex cutNoCutRegex("(?:\\(+\\?<([=!])(\\[[A-Z]+\\]|[A-Z])\\)+)?(?:\\(+\\?([=!])(\\[[A-Z]+\\]|[A-Z])\\)+)?");

如果没有 C++ 转义，那就是:

(?:\(+\?<([=!])(\[[A-Z]+\]|[A-Z])\)+)?(?:\(+\?([=!])(\[[A-Z]+\]|[A-Z])\)+)?

我想更改它以支持更复杂的正则表达式，例如多个字符、非捕获组、字符集、字符集中的范围、否定集和字符串的开始/结束: (?<=K|R)或 (?<=(?:K)|(?:R))或 (?<=[^A-JL-QS-Z])或 (?<=^M|[KR])

这些额外的特性似乎会激增正则表达式的复杂性。我很确定我需要启用 Boost.Regex 的“实验性”BOOST_REGEX_MATCH_EXTRA 功能。有没有更好的方法来做我正在做的事情？我是否遗漏了零宽度正则表达式中的其他一些正则表达式可能性？

这是我对涵盖许多简单案例的现有代码进行单元测试的伪代码。当“cut”字段对应于后视时，“sense”成员为“C”，当“cut”字段对应于前视时，“sense”成员为“N”。当前的 pepXMLSpecificity() 函数可以反转字符集，如果它会产生一个较短的列表。

struct PepXMLSpecificity { std::string cut, no_cut, sense; };
void unit_assert_equal(string expected, string actual);

"(?<=[QWERTY])(?=[QWERTY])"
result = pepXMLSpecificity(ez);
unit_assert_equal("C", result.sense);
unit_assert_equal("QWERTY", result.cut);
unit_assert_equal("ABCDFGHIJKLMNOPSUVZ", result.no_cut);

"(?<![QWERTY])(?![QWERTY])"
result = pepXMLSpecificity(ez);
unit_assert_equal("C", result.sense);
unit_assert_equal("ABCDFGHIJKLMNOPSUVZ", result.cut);
unit_assert_equal("QWERTY", result.no_cut);

"(?<=[QWERTY])"
result = pepXMLSpecificity(ez);
unit_assert_equal("C", result.sense);
unit_assert_equal("QWERTY", result.cut);
unit_assert_equal("", result.no_cut);

"(?=[QWERTY])"
result = pepXMLSpecificity(ez);
unit_assert_equal("N", result.sense);
unit_assert_equal("QWERTY", result.cut);
unit_assert_equal("", result.no_cut);

"(?<![QWERTY])"
result = pepXMLSpecificity(ez);
unit_assert_equal("C", result.sense);
unit_assert_equal("ABCDFGHIJKLMNOPSUVZ", result.cut);
unit_assert_equal("", result.no_cut);

"(?![QWERTY])"
result = pepXMLSpecificity(ez);
unit_assert_equal("N", result.sense);
unit_assert_equal("ABCDFGHIJKLMNOPSUVZ", result.cut);
unit_assert_equal("", result.no_cut);

// the following tests aren't supported yet

"(?<=^M)|(?<=[KR])"
unit_assert_equal("N", result.sense);
unit_assert_equal("KR", result.cut); // the 'M' part is dropped
unit_assert_equal("", result.no_cut);

"(?<=K|R)"
unit_assert_equal("C", result.sense);
unit_assert_equal("KR", result.cut);
unit_assert_equal("", result.no_cut);

"(?<=(?:K)|(?:R))"
unit_assert_equal("C", result.sense);
unit_assert_equal("KR", result.cut);
unit_assert_equal("", result.no_cut);

"(?<=[^A-JL-QS-Z])(?!P)"
unit_assert_equal("C", result.sense);
unit_assert_equal("KR", result.cut);
unit_assert_equal("P", result.no_cut);

Answer 1

据我了解，情况是，您有一个现有正则表达式库，当应用于氨基酸序列的常见字符串表示时，可以识别蛋白水解 enzyme 的可能切点。

您想自动生成正则表达式隐含的切点的标准文本描述。

观察:

• 您不需要能够解析任意正则表达式，您只需要能够解析库中实际拥有的案例。

• 您不一定需要解析所有这些。特别难的可以踢出来手工做，只要数量不多。

我真的认为您需要执行以下操作。

1. pepXMLSpecificity 需要返回一个或多个描述，即 vector<struct PepXMLSpecificity> ，因为可以编写正则表达式来组合任意正则表达式 cf。 jpalacek 的评论。

2. 您应该处理您的正则表达式库的实际内容，从常见情况开始逐步深入，然后为每种常见类型的正则表达式添加特殊情况，直到您获得全部(或至少足够多)让你的老板满意)。