我有以下 Python 正则表达式:
xml_parse = re.search(r'^.+?<Hit_accession>(\w+?)</Hit_accession>.+?<Hsp_qseq>(\w+?)</Hsp_qseq>\s+?<Hsp_hseq>(\w+?)</Hsp_hseq>\s+?<Hsp_midline>(.+?)</Hsp_midline>',string,flags=re.DOTALL)
对于以下文本:
<?xml version="1.0"?>
<Hit_accession> Desired Group #1 </Hit_accession>
<Hsp>
<Hsp_qseq> Desired Group # 2 </Hsp_qseq>
<Hsp_hseq> Desired Group # 3 </Hsp_hseq>
<Hsp_midline> Desired Group # 4 </Hsp_midline>
</Hsp>
... way later in the XML string
<Hit_accession> Undesired Group #1 </Hit_accession>
<Hsp>
<Hsp_qseq> Undesired Group # 2 </Hsp_qseq>
<Hsp_hseq> Undesired Group # 3 </Hsp_hseq>
<Hsp_midline> Undesired Group # 4 </Hsp_midline>
</Hsp>
返回的组是:
(1) 期望组#1
(2) 不需要的第 2 组
(3) 不需要的第 3 组
(4) 不需要的第 4 组
为什么会这样?因为我得到 Desired Group #1 并使用非贪婪 .+?使用 flags=re.DOTALL,我希望它不会跳过任何我想要的组 2-4。
提前致谢。
更新:
最终使用 xml.etree.ElementTree 如下:
tree = xml.etree.ElementTree.fromstring(string)
iteration = tree.find("BlastOutput_iterations/Iteration")
hits = iteration.findall("Iteration_hits/Hit")
topHit = hits[0]
accessionNCBI = topHit.findtext("Hit_accession")
发现以下链接对 NCBI BLAST 特定的 XML 解析示例很有用: http://www.dalkescientific.com/writings/NBN/elementtree.html
最佳答案
嗯,XML 和正则表达式。看起来很有趣。
如何使用内置的 Python XML 库,如 libxml2 或 ElementTree?
from xml.etree.ElementTree import ElementTree
doc = ElementTree(file='myfile.xml')
for e in doc.findall('/Hit_accession'):
print e.get('Hsp_qseq').text
说真的,你会省去很多麻烦。正则表达式不适用于 XML 解析。
关于Python 正则表达式太贪心,错过了 XML 中的第一次出现,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/9553857/