Python的正则表达式

Python通过导入标准库re实现正则表达式(regular expression)，Python的正则表达式引擎和Perl一样，并且兼容Perl流派的元字符。

元字符

Python支持的元字符很多，一种是比较常见，我之前也就只会用这些

• .表示任意一个字符，默认不匹配换行符，制表符
• |表示或，ca|bd会匹配ca或bd,而不是cab, cbd, 如果想要匹配后者，则需要用到()进行分组
• ^,$表示位置符号，行首和行尾 如^ab$匹配ab, 不匹配eab, abe,aeb
• 量词，表示重复数，*任意多次, +一次以上, ?0次或一次, {m,n}m~n次, {m}重复m次,{m,}重复大于m次
• 在上述量词后接?, 就从贪婪模式变为非贪婪模式。举个例子，对于abbbbbb这个字符串，ab*和ab*?的结果不同，前者匹配abbbbbb，后者匹配a，也就是贪婪模式尽可能多匹配。
• [...]表示多选项，比如a[bc]就可以匹配ab,ac, 如果是[a-z]那么表示从a到z范围. 所有元字符在[]中都会被认为是普通字符。所有元字符在[]
• (...)表示捕获型分组，被(...)匹配到部分，可以用\1,\2进行引用
• "" 表示转义，由于该符号也是字符串的元字符，那么在构建模式的时候要万分小心，因为Python会先对字符串进行加工，然后才会传入到正则引擎中。也就是说，也就是如果你想匹配"" , 你的模式写法得是\\\\，因为如果只写\\,会被Python先翻译成\,所以必须写成\\\\。因此建议用使用原始字符串(raw string),即r"\\"

下面的一些比较高级，在我写作时能记得的元字符，基本上都是(?...)一类的增强型标记，具体含义和?后紧接的第一个字符有关

• (?:...): 非捕获型分组，也就是仅仅分组，正则引擎不会记住他用于后续引用
• (?=...): 向后检查，要求当前位置后符合...表示的模式, (?!...)也是向后检查，只不过要求当前位置紧接的内容不能被...匹配
• (?<=...)和(?<!...)是向前检查。

在《精通正则表达式》中，作者举了一个例子，将"12345679"变为更容易阅读的"12,345,679"形式。 也就是找到一个位置前面是数字，后面是3的倍数个数字的位置插入逗号

re.sub(r"(?<=\d)(?=(\d\d\d)+$)",",","1234567")

下面是我需要翻阅资料才能记得

• (?P<name>...): 在之前捕获型括号的基础上，将捕获到的内容赋值给name, 其中该内容可以用(?P=name)进行引用
• (?#...): 这个仅仅是注释，不做任意匹配
• (?aiLmsux)比较复杂，记不太起来
• (?(id/name)yes-pattern|no-pattern)更加复杂，需要举一个例子。(<)?(\w+@\w+(?:\.\w+)+)(?(1)>|$)来解释，当然这个例子理解起来也不容易。解释起来就是，第一个括号先尝试捕获匹配<, 编号为1，然后是第二个括号匹配“字符串@字符串”，比如说user@host,然后第三个括号表示不捕获分组, 识别".com"这类，然后第四个括号就是看第一个括号有没有捕获到东西，如果有就去匹配>，没有则是匹配行尾。也就是你的邮箱地址要么为"user@host.com",要么为<user@host.com>,其他都是不符合要求。

常用函数

一般用法都是用re.compile构建一个正则表达式对象，这个正则表达式对象可以用在re.match,re.search,re.find,re.findall等函数里，同时该对象也有.match,.search方法。举个例子，比如说你知道了一个形如GSExxx的GEO编号，你需要提取这个编号下的所有GSMxxx编号，然后根据这个GSMxxx编号去提取SRA编号，以随便找的GSE100566为例。

首先利用Python的requests库抓取网页信息

# Python
import re
import requests
base_url = "https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc="
acc      = "GSE101571"

resp = requests.get(base_url + acc)
contents = resp.text()

然后构建一个正则表达式，去捕获所有的GSMxxx类型的编号

pattern = "GSM\d+"
GSM_acc = re.findall(pattern, contents)

或许你不满足于此，你还希望捕获到每个GSM编号后的描述，也就是"GSM2686880 SET-2_STAT1-D1",这两个部分你都需要。通过检查网页元素，你发现了一个规律，也就是这两个元素是在一个tr内

你信心满满的构建了一个匹配模式，结果啥都没有匹配到

pattern = re.compile("<tr><td.*?><a.*?>(GSM\d+)</a></td><td.*?>(.*?)</td>")
re.search(pattern, contents)

你发现这似乎由于这个HTML里有很多神奇的空白和"\n",原本方便人类阅读的记号却阻碍了数据处理，你必须做点什么，你想到了可以用re.sub进行替换，所以你做了如下的事情

contents = re.sub(r"\n\s*","",contents)

最后你终于用原来的匹配模式得到了以元组数据结构的结果

result = re.findall(pattern, contents)

下一步根据GSMxxx编号去提取SRX编码。这一步的核心就是从元祖中提取元素，然后构建一个url去爬取新的网页，然后提取SRX编号即可以。先测试第一个，

r1 = results[0][0]
r1_resp = requests.get(base_url + r1)
m = re.search("SRX\d+", r1_resp.text)
m.group(0)

然后开始遍历,存储到字典中。考虑到网络延迟所耽误的时间远远大于内存分配的时间，也就没有必须要预先分配内存空间。

sra_dict = {}
for acc in results:
    key = acc[0]
    resp = requests.get(base_url + key)
    value = re.search("SRX\d+",resp.text).group(0)
    sra_dict[key] = value

事实证明网络不好，这个简单的程序是可以跑半天的。