使用正則表達式提取字符串

Question

我有以下字符串：

1. 低質量蛋白質：半胱氨酸蛋白酶 5 樣 [Solanum pennellii]
2. 預測：低質量蛋白質：未鑒定的蛋白質 LOC107059219 [Solanum pennellii]
3. XP_019244624.1 預測：過氧化物酶 40 樣 [Nicotiana attenuata]
4. RVW92024.1 來自轉座子 TNT 1-94 [Vitis vinifera] 的逆轉錄病毒相關 Pol 多蛋白
5. 假設蛋白 VITISV_035070 [Vitis vinifera]

如何從上面的字符串中提取下面的字符串？

1. 半胱氨酸蛋白酶5樣
2. 未表征的蛋白質 LOC107059219
3. 過氧化物酶40樣
4. 來自轉座子 TNT 1-94 的逆轉錄病毒相關 Pol 多蛋白
5. 假設蛋白質 VITISV_035070

Answer 1

s = '''LOW QUALITY PROTEIN: cysteine proteinase 5-like  [Solanum pennellii]
PREDICTED: LOW QUALITY PROTEIN: uncharacterized protein LOC107059219 [Solanum pennellii]
XP_019244624.1 PREDICTED: peroxidase 40-like [Nicotiana attenuata]
RVW92024.1 Retrovirus-related Pol polyprotein from transposon TNT 1-94 [Vitis vinifera]
hypothetical protein VITISV_035070 [Vitis vinifera]'''

import re
rgx = '(:?)\s([\w\s-]+)\s(\[.+\])'

list1 = []
for m in re.findall(rgx, s):
    list1.append(m[1])

print(list1)

Output

['cysteine proteinase 5-like ',
 'uncharacterized protein LOC107059219',
 'peroxidase 40-like',
 'Retrovirus-related Pol polyprotein from transposon TNT 1-94',
 'hypothetical protein VITISV_035070']

查看https://regex101.com/r/HATKMa/1了解詳細說明。

Answer 2

我認為這個問題不需要正則表達式。 我更喜歡以下解決方案，因為它很容易理解

st = "PREDICTED: LOW QUALITY PROTEIN: uncharacterized protein LOC107059219 [Solanum pennellii]"
st.split(":")[-1].split("[")[0].strip()