模块介绍

re模块

re模块是Python中的正则表达式调用模块，在python中，通过将正则表达式内嵌集成re模块，程序员们可以直接调用来实现正则匹配。

正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。

正则表达式的大致匹配过程是：

依次拿出表达式和文本中的字符比较，
如果每一个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配失败。
如果表达式中有量词或边界，这个过程会稍微有一些不同。

re模块所支持的方法有如下：

	#返回pattern对象
	pattern=re.compile(string[,flag])
	#以下为匹配所用函数
1	re.match(pattern, string[, flags])
2	re.search(pattern, string[, flags])
3	re.split(pattern, string[, maxsplit])
4	re.findall(pattern, string[, flags])
5	re.finditer(pattern, string[, flags])
6	re.sub(pattern, repl, string[, count])
7	re.subn(pattern, repl, string[, count])

其中，pattern为匹配模式，由re.compile生成，例如：pattern = re.compile(r'hello')

r'hello' 中 'r' 是python原生字符串自带的转义字符，等同于反斜杠 ''。

参数flag是匹配模式，取值可以使用按位或运算符’|’表示同时生效，如 re.I | re.M。可选值有：

re.I(全拼：IGNORECASE): 忽略大小写（括号内是完整写法，下同）

re.M(全拼：MULTILINE): 多行模式，改变'^'和'$'的行为

re.S(全拼：DOTALL): 点任意匹配模式，改变'.'的行为

re.L(全拼：LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定

re.U(全拼：UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性

re.X(全拼：VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释

注：以上七个方法中的flags同样是代表匹配模式的意思，如果在pattern生成时已经指明了flags，那么在下面的方法中就不需要传入这个参数了。

1. re.match(pattern, string[, flags])

这个方法将会从string（我们要匹配的字符串）的开头开始，尝试匹配pattern，一直向后匹配，如果遇到无法匹配的字符，立即返回None，如果匹配未结束已经到达string的末尾，也会返回None。两个结果均表示匹配失败，否则匹配pattern成功，同时匹配终止，不再对string向后匹配。

2. re.search(pattern, string[, flags])

search方法与match方法极其类似，区别在于match()函数只检测re是不是在string的开始位置匹配，search()会扫描整个string查找匹配，match（）只有在0位置匹配成功的话才有返回，如果不是开始位置匹配成功的话，match()就返回None。同样，search方法的返回对象同样match()返回对象的方法和属性。

3. re.split(pattern, string[, maxsplit])

按照能够匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数，不指定将全部分割。

4. re.findall(pattern, string[, flags])

搜索string，以列表形式返回全部能匹配的子串。

5. re.finditer(pattern, string[, flags])

搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。

6. re.sub(pattern, repl, string[, count])

使用repl替换string中每一个匹配的子串后返回替换后的字符串。
当repl是一个字符串时，可以使用\id或\g、\g引用分组，但不能使用编号0。
当repl是一个方法时，这个方法应当只接受一个参数（Match对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。
count用于指定最多替换次数，不指定时全部替换。

7. re.subn(pattern, repl, string[, count])

返回 (sub(repl, string[, count]), 替换次数)。

strip()方法

描述

Python strip() 方法用于移除字符串头尾指定的字符（默认为空格或换行符）或字符序列。

注意：该方法只能删除开头或是结尾的字符，不能删除中间部分的字符。
语法

str.strip([chars])

参数

chars -- 移除字符串头尾指定的字符序列。

返回值

返回移除字符串头尾指定的字符生成的新字符串。

实例

#!/usr/bin/python
# -*- coding: UTF-8 -*-
str = "123abcrunoob321"
print (str.strip( '12' ))  # 字符序列为 12

以上实例输出结果如下：

3abcrunoob3

脚本正文

#!/usr/bin/python3.6
# 用途：用于统计基因组文件中每条染色体长度及N碱基的数目
# 创建人：lyr
# 创建时间： 2019/10/28
import re
input = '/PATH/GENOME.fa'
output = 'fasta_stat.txt'
dict = {}
dict2 = {}

with open(input, 'r') as read_fas:
    for line in read_fas:
        if line[0] == '>':
            key = line.strip('[>\n]')
            dict[key] = 0
            dict2[key] = 0
        else:
            value = line.strip()
            seq_len = len(value)
            dict[key] += seq_len
            N_sum = len(re.findall('[nN]',value))
            dict2[key] += N_sum
read_fas.close()

basic_stat = open(output, 'w')
print('chr length',dict, file = basic_stat)
print('Total N(bp):',dict2, file = basic_stat)

参考
https://www.cnblogs.com/chengege/p/11190782.html
https://www.runoob.com/python/att-string-strip.html

Python 脚本之统计基因组文件中染色体长度及N碱基数目

Python 脚本之统计基因组文件中染色体长度及N碱基数目

模块介绍

re模块

strip()方法

脚本正文