2

Possuo a seguinte entrada, e faço uma interação linha por linha em todas.

D      b1308 pspE; thiosulfate sulfurtransferase PspE   K03972 pspE; phage shock protein E
B  09193 Unclassified: signaling and cellular processes-6
C    99977 Transport
D      b2347 yfdC; inner membrane protein YfdC  K21990 yfdC; formate-nitrite transporter family protein
D      b3657 yicJ; putative xyloside transporter YicJ   K03292 TC.GPH; glycoside/pentoside/hexuronide:cation symporter, GPH family
D      b3876 yihO; putative sulfoquinovose transporter  K03292 TC.GPH; glycoside/pentoside/hexuronide:cation symporter, GPH family
D      b0361 insD-1; IS2 element protein    K07497 K07497; putative transposase
D      b1402 insD-2; IS2 insertion element protein InsB K07497 K07497; putative transposase

Entretanto usando o seguinte RegEx para cada linha extrair o nome do gene (por exemplo b2347 yfdC):

[b]\d{4}\s[a-zA-z]{3,4}

Mas este RegEx não extrai o nome inteiro em casos como b1402 insD-2.

Existe um único RegEx para que se extraia ambos os casos?

4
  • O formato é sempre 3 ou 4 letras, seguidos opcionalmente de "hífen + 1 número"?
    – hkotsubo
    8/04/2019 às 23:02
  • Ou é o sem hífen ou com hífen, formato sempre de 3-4 letras, e sim hífen e um número
    – user107615
    8/04/2019 às 23:07
  • Coloquei uma resposta "genérica", mas se estiver usando alguma linguagem/site/ferramenta específica, pode editar a pergunta e adicionar essa informação, pois cada linguagem implementa regex de um jeito e nem sempre tudo funciona do mesmo jeito em todas
    – hkotsubo
    8/04/2019 às 23:10
  • 1
    Eu acabei de testa-la, está perfeita, obrigado
    – user107615
    8/04/2019 às 23:17

1 Resposta 1

2

Você pode usar esta regex:

b\d{4}\s[a-zA-Z]{3,4}(-\d)?

Detalhe: os colchetes definem uma classe de caracteres. Por exemplo, [ab] significa "a letra a ou a letra b" (qualquer uma delas). Mas quando você quer somente uma única letra, não precisa dos colchetes. Sendo assim, [b] é o mesmo que b, por isso removi os colchetes em torno do b.

Outro detalhe é que você estava usando [a-zA-z] (com o z minúsculo duas vezes). Isso funciona por coincidência, já que A-z é o intervalo entre A e z, e se você olhar na tabela ASCII verá que este intervalo pega todas as letras maiúsculas e minúsculas. O problema é que neste intervalo também existem outros caracteres, como o [, \ e ]. Então é melhor deixá-los de fora e usar o intervalo correto: [a-zA-Z] (com Z maiúsculo no final).

Por fim, se você quer pegar tanto yihO quanto insD-1, use:

  • [a-zA-Z]{3,4}: para pegar de 3 a 4 letras
  • (-\d)?: um hífen seguido de um dígito (\d). Eu envolvo tudo entre parênteses e coloco um ?, que torna todo esse grupo opcional

Veja esta regex funcionando no regex101.com.


Só lembrando que \s geralmente (na maioria das linguagens/engines) corresponde não só aos espaços em branco, mas também a outros caracteres, como o TAB e quebras de linha (a lista exata de caracteres varia). Se quiser que a regex considere apenas o espaço em branco, basta trocar para:

b\d{4} [a-zA-Z]{3,4}(-\d)?

Repare que agora há um espaço entre o \d{4} e o [.

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