如何从文件的所有行中提取部分文本？

Question

我有这些序列：

0,<|endoftext|>ERRDLLRFKH:GAGCGCCGCGACCTGTTACGATTTAAACAC<|endoftext|>
1,<|endoftext|>RRDLLRFKHG:CGCCGCGACCTGTTACGATTTAAACACGGC<|endoftext|>
2,<|endoftext|>RDLLRFKHGD:CGCGACCTGTTACGATTTAAACACGGCGAC<|endoftext|>
3,<|endoftext|>DLLRFKHGDS:GACCTGTTACGATTTAAACACGGCGACAGT<|endoftext|>

我只想得到氨基酸序列，像这样：

ERRDLLRFKH:
RRDLLRFKHG:
RDLLRFKHGD:
DLLRFKHGDS:

到目前为止，我已经编写了这个脚本：

with open("example_val.txt") as f:
    for line in f:
        if line.startswith(""):
            line = line[:-1]
        print(line.split(":", 1))

尽管如此，我只得到了原始序列。 请给我一些建议。

Answer 1

正则表达式解决方案：

import re

with open("example_val.txt") as f:
    re.findall("(?<=>)[a-zA-Z]*:", f.read())

正则表达式解释：

• (?<=>) : 是一个积极的向后看，它在我们的比赛之前找到 > 字符
• [a-zA-Z]*: : 匹配 az 和 AZ 中存在的零个或多个字符，末尾有冒号

在 Regex101 中测试： regex101.com/r/qVGCYF/1

Answer 2

首先，请记住存储某些内容（例如，在列表中）与打印它不同——如果您以后需要使用它，您需要在解析文件时将所有氨基酸序列存储在列表中。 如果您只想显示它们而不做其他任何事情，则可以打印。

你有很多方法可以做到这一点：

1. 使用像johann's answer这样的正则表达式

2. 使用 CSV 阅读器仅隔离逗号分隔文本文件的第二列，然后对字符串进行切片，因为您知道所需的值从第 13 个索引开始并在第 23 个索引结束

import csv

sequences = []  # Create an empty list to contain all sequences

with open("example_val.txt") as f:
    reader = csv.reader(f)
    for row in reader:
        element = row[1]      # Get the second element in the row
        seq = element[13:24]  # Slice the element
        sequences.append(seq) # Append to the list
        print(seq)            # Or print the current sequence

3. 在字符串中找到<|endoftext|>的索引。 相对于这个索引i ，你知道你的序列从索引i + len('<|endoftext|>')开始，到i + len('<|endoftext|>') + 10结束

with open("example_val.txt") as f:
    for line in f:
        i = line.find('<|endoftext|>')
        seq_start = i + len('<|endoftext|>')
        seq_end = seq_start + 10
        seq = line[seq_start:seq_end+1]  # Slice the line
        sequences.append(seq)            # Append to the list
        print(seq)                       # Or print the current sequence