python - 从通过正则表达式检索的起点选择字符串中的项目(Python)

Question

所以，我的情况是这样的:我有一个包含各种元素的字符串列表(半百万，或多或少)，例如 AJIAJAJKAJKAHAKAKG 或 AOKANSDBSDFBJJ (举个例子)。

我的目标是创建一个脚本来标识每个字符串，该字符串携带用户定义的元素数组(例如“JIAJA”)，然后从最后一个匹配的元素开始，仅获取其后的 N 个元素并将它们附加到先前设置的新列表(继续该示例，假设脚本在第一个字符串中找到了模式，然后将 N 设置为 5，检索“JKAJK”并将其附加到新列表中)。

'到目前为止，我只能选择那些与模式条件匹配的字符串，但我仍然无法检索该模式之后的 N 元素。

到目前为止的代码是这样的:

l = open(file, "r").readlines()
s = [item.rstrip('\n') for item in l]
pattern = input("Insert pattern ")
if len(pattern) >=4:
    for i in range(len(s)):
        motif = re.compile('%s' % pattern)
        if re.search(motif, s[i]):
            selection.append(s[i])
        else:
            continue

我该如何处理下一步？

Answer 1

您可以使用match.end :

line = s[i]
match = re.search(motif, line)
if match:
    selection.append(line[match.end():match.end()+5])

<小时/>

使用re.search将允许用户输入正则表达式模式。但是，如果模式只是文字字符，那么

line = s[i]
idx = line.find(pattern)
if idx >= 0:
    end = idx+len(pattern)
    selection.append(line[end:end+5])

会更快。

<小时/>

不需要编译模式

motif = re.compile('%s' % pattern)

在for循环内(即每行一次)。自从re 模块缓存已编译的正则表达式模式，您可以使用

match = re.search(pattern, line)

直接。

<小时/>

此外，将整个文件读入行列表也是内存效率低下的:

open(file, "r").readlines()
s = [item.rstrip('\n') for item in l]

由于您每次只对每一行进行操作，因此可以改用此模式:

with open(file, "r") as f:
    for line in f:
        line = line.rstrip()

作者:using a with-statement ，当执行离开 with-suite 时，Python 将为您关闭 f。

<小时/>

因此，您的代码可以像这样重新排列:

pattern = input("Insert pattern ")
if len(pattern) < 4:
    sys.exit('pattern too short') 

with open(file, "r") as f:
    for line in f:
        line = line.strip()
        match = re.search(pattern, line)
        if match:
            selection.append(line[match.end():match.end()+5])