python - 匹配字符串中不是特定字符的连续片段的部分

Question

我有一个简单的函数，它从一个字符串中生成至少有 gapSize 个连续 N 的所有片段:

def get_gap_coordinates(sequence, gapSize=25):
    gapPattern = "N{"+str(gapSize)+",}"
    p = re.compile(gapPattern)
    m = p.finditer(sequence)
    for gap in m:
        start,stop = gap.span()
        yield(start,stop)

现在我想要一个功能完全相反:匹配所有不是至少 gapSize N 的连续延伸的字符。这些延伸可能出现在字符串中的任何位置(开头、中间和结尾)，具有任何给定的数字。

我已经研究了 lookarounds 并尝试了

(?!N{25,}).*

但这并不能满足我的需要。非常感谢任何帮助!

编辑:例如:一个序列 NNNNNNACTGACGTNNNACTGACNNNNNN 应该匹配 ACTGACGTNNNACTGAC gapSize=5 和 ACTGACGT & ACTGAC gapSize = 3。

Answer 1

所以这是一个纯正则表达式解决方案，它似乎是您想要的，但我想知道是否真的有更好的方法来实现它。当我想到它们时，我会添加替代方案。我使用了几种在线正则表达式工具并在 shell 中进行了尝试。

One of the tools有一个很好的正则表达式图形和生成 SO 答案的工具代码:正则表达式(间隙为 10)是:

^.*?(?=N{10})|(?<=N{10})[^N].*?(?=N{10})|(?<=N{10})[^N].*?$

用法:

s = 'NAANANNNNNNNNNNBBBBNNNCCNNNNNNNNNNDDDDN'
def foo(s, gapSize = 25):
    '''yields non-gap items (re.match objects) in s or
       if gaps are not present raises StopIteration immediately
    '''
    # beginning of string and followed by a 'gap' OR
    # preceded a 'gap' and followed by a 'gap' OR
    # preceded a 'gap' and followed by end of string
    pattern = r'^.*?(?=N{{{}}})|(?<=N{{{}}})[^N].*?(?=N{{{}}})|(?<=N{{{}}})[^N].*?$'
    pattern = pattern.format(gapSize, gapSize, gapSize, gapSize)
    for match in re.finditer(pattern, s):
        #yield match.span()
        yield match

for match in foo(s, 10):
    print match.span(), match.group()

'''
>>> 
(0, 5) NAANA
(15, 24) BBBBNNNCC
(34, 39) DDDDN
>>>
'''

---

因此，如果您稍微考虑一下，就会发现间隙 的开始是非间隙 的结束，反之亦然。因此，使用一个简单的正则表达式:遍历间隙，向循环添加逻辑以跟踪非间隙 跨度，并产生 跨度。 (我的占位符变量名可能会得到改进)

s = 'NAANANNNNNNNNNNBBBBNNNCCNNNNNNNNNNDDDDN'
def bar(s, n):
    '''Yields the span of non-gap items in s or
       immediately raises StopIteration if gaps are not present.
    '''
    gap = r'N{{{},}}'.format(n)
    # initialize the placeholders
    previous_start = 0
    end = len(s)
    for match in re.finditer(gap, s):
        start, end = match.span()
        if start == 0:
            previous_start = end
            continue
        end = start
        yield previous_start, end
        previous_start = match.end()
    if end != len(s):
        yield previous_start, len(s)

用法

for start, end in bar(s, 4):
    print (start, end), s[start:end]

'''
>>>
(0, 5) NAANA
(15, 24) BBBBNNNCC
(34, 39) DDDDN
>>>
'''