2

Existe alguma forma de se combinar múltiplos padrões de regex em uma única expressão, para ser usado no re.match() ou re.search(), por exemplo?

starts_with_Y = '([Y][A-Za-z0-9]{6}([-][A-Za-z0-9]{1})?\s)'
starts_with_t = '([t][a-zA-Z][][A-Za-z0-9]{3}[][A-Za-z0-9]([A-Za-z0-9])?\s)'
starts_with_Q = '([Q]\d{4}\s)'
starts_with_RDN = '(\b(\w*RDN\d{1,2}[-]\d\w*)\b)'
starts_with_snR = '(\b(\w*snR\d{1,3}([-][A-Za-z0-9])?\w*)\b[ ])'
starts_with_NME = '(NME\d{1}[ ])'
starts_with_ICR = '(ICR\d{1}[ ])'
starts_with_LSR = '(LSR\d{1}[ ])'

Necessito de um único regex, pois a aplicação faz a leitura de um arquivo de texto linha por linha, e em cada linha aparece apenas um de cada. Exemplo:

D      YHR077C NMD2; Nmd2p  K14327 UPF2; regulator of nonsense transcripts 2
D      YGR072W UPF3; Upf3p  K14328 UPF3; regulator of nonsense transcripts 3
D      snR19 SNR19  K14276 U1snRNA; U1 spliceosomal RNA
D      LSR1 LSR1    K14277 U2snRNA; U2 spliceosomal RNA
D      snR14 SNR14  K14278 U4snRNA; U4 spliceosomal RNA
D      snR7-S SNR7-S    K14279 U5snRNA; U5 spliceosomal RNA
D      snR7-L SNR7-L    K14279 U5snRNA; U5 spliceosomal RNA
D      snR6 SNR6    K14280 U6snRNA; U6 spliceosomal RNA
D      snR17a SNR17A    K14483 U3snoRNA; U3 small nucleolar RNA
D      snR17b SNR17B    K14483 U3snoRNA; U3 small nucleolar RNA

E é possível usar o re.compile()?

1 Resposta 1

7

Se cada linha só pode dar match em uma das expressões, uma opção é usar alternância, através do caractere |.

Basicamente, basta fazer expressao1|expressao2|expressao3.... Assim, a regex vai testando cada uma das alternativas, até que algum match seja encontrado. No caso, para montar esta regex, vou usar join para unir todas as expressões de uma vez.

Outro detalhe é que o \ deve ser escapado (escrito como \\, por estar dentro de strings). Do jeito que está, o \b é interpretado como o caractere BACKSPACE. Para que ele seja interpretado como o word boundary de regex (que acredito ser a intenção), a \ precisaria ser escapada.
Mas geralmente, em Python, é melhor usar raw string literals para regex, colocando um r na frente das aspas de abertura, assim a \ não precisa de escape:

import re

starts_with_Y = r'([Y][A-Za-z0-9]{6}([-][A-Za-z0-9]{1})?\s)'
starts_with_t = r'([t][a-zA-Z][][A-Za-z0-9]{3}[][A-Za-z0-9]([A-Za-z0-9])?\s)'
starts_with_Q = r'([Q]\d{4}\s)'
starts_with_RDN = r'(\b(\w*RDN\d{1,2}[-]\d\w*)\b)'
starts_with_snR = r'(\b(\w*snR\d{1,3}([-][A-Za-z0-9])?\w*)\b[ ])'
starts_with_NME = r'(NME\d{1}[ ])'
starts_with_ICR = r'(ICR\d{1}[ ])'
starts_with_LSR = r'(LSR\d{1}[ ])'

r = re.compile('|'.join([starts_with_Y, starts_with_t, starts_with_Q, starts_with_RDN, starts_with_snR, starts_with_NME, starts_with_ICR, starts_with_LSR]))

Com isso, a regex passa a ser starts_with_Y, ou starts_with_t, ou starts_with_Q, etc. Um possível uso seria:

for linha in arquivo:
    m = r.search(linha)
    if m: # foi encontrado um match na linha
        print(m.group()) # obter o trecho encontrado pelo match

Dá para simplificar as expressões.

Quando você só quer capturar um único caractere, não precisa dos colchetes, então [Y] é o mesmo que Y. Até mesmo [ ] para espaço, pode ser trocado por um espaço mesmo (embora nesse caso específico pode não ficar tão claro que há um espaço). Já [] não quer dizer nada e pode ser removido (corresponde a literalmente "nada" - ou, dependendo da linguagem/engine, é considerada uma expressão inválida).

E {1} quer dizer "exatamente uma ocorrência", mas por padrão, qualquer coisa colocada em uma regex - sem um quantificador - corresponde a uma ocorrência daquela coisa (x{1} é o mesmo que x), então isso pode ser removido também.

[A-Za-z0-9]{3}[A-Za-z0-9]([A-Za-z0-9])? quer dizer que [A-Za-z0-9] ocorre 3 vezes, depois mais uma vez, e opcionalmente mais uma vez. Ou seja, isso pode ocorrer 4 ou 5 vezes, então bastaria fazer [A-Za-z0-9]{4,5} - a sintaxe {x,y} quer dizer "no mínimo x vezes, e no máximo y vezes".

Por fim, as 3 últimas expressões são bem parecidas (3 letras específicas seguidas de um número e um espaço), então você poderia juntá-las em ((NME|ICR|LSR)\d ) (começa com "NME" ou "ICR" ou "LSR", seguido de número e espaço).

Resumindo, poderia ficar assim:

starts_with_Y = r'(Y[A-Za-z0-9]{6}(-[A-Za-z0-9])?\s)'
starts_with_t = r'(t[a-zA-Z][A-Za-z0-9]{4,5}\s)'
starts_with_Q = r'(Q\d{4}\s)'
starts_with_RDN = r'(\b(\w*RDN\d{1,2}-\d\w*)\b)'
starts_with_snR = r'(\b(\w*snR\d{1,3}(-[A-Za-z0-9])?\w*)\b )'
starts_with_NME_ICR_LSR = r'((NME|ICR|LSR)\d )'

r = re.compile('|'.join([starts_with_Y, starts_with_t, starts_with_Q, starts_with_RDN, starts_with_snR, starts_with_NME_ICR_LSR]))
1
  • 1
    Perfeito, muito agradecido.
    – user107615
    Commented 18/07/2019 às 16:59

Você deve fazer log-in para responder a esta pergunta.