Python正则匹配含可选前后缀的肽序列多余空串问题排查

问题原因 #

你当前的正则表达式中，后缀分支((?:-[^A-Z]+)?$)的?量词允许匹配空字符串。当正则匹配完目标后缀（比如-bar）后，还能匹配到字符串末尾的空位置，这个空匹配会被re.findall捕获，所以结果里多了一个多余的空串。此外，原正则的分支结构没有限制全局匹配的完整性，容易产生这类无意义的空匹配。

解决方案 #

方案1：分步骤匹配（更易维护） #

放弃单正则的复杂写法，拆分前缀、中间序列、后缀三个部分分别处理，逻辑更清晰，也能精准控制结果格式：

import re

def split_peptide(seq):
    # 提取前缀（非大写字母+'-'开头）
    prefix_match = re.match(r'^([^A-Z]+-)', seq)
    prefix = prefix_match.group(1) if prefix_match else ''
    
    # 处理去掉前缀后的剩余部分
    remaining = seq[len(prefix):]
    
    # 提取后缀（'-'加非大写字母结尾）
    suffix_match = re.search(r'(-[^A-Z]+)$', remaining)
    suffix = suffix_match.group(1) if suffix_match else ''
    
    # 处理去掉后缀后的中间序列
    middle_part = remaining[:-len(suffix)] if suffix else remaining
    
    # 拆分中间的肽段（每个大写字母可带前置非大写子串）
    middle_segments = re.findall(r'[^A-Z]*[A-Z]', middle_part)
    
    # 组合最终结果
    return [prefix] + middle_segments + [suffix]

# 测试用例
print(split_peptide("foo-ABcmCD-bar"))  # 输出: ['foo-', 'A', 'B', 'cmC', 'D', '-bar']
print(split_peptide("DEF"))             # 输出: ['', 'D', 'E', 'F', '']
print(split_peptide("foo-ABC-bar"))     # 输出: ['foo-', 'A', 'B', 'C', '-bar']

方案2：调整正则表达式 #

修改正则，让后缀分支仅匹配非空内容，同时确保全局匹配覆盖整个字符串，避免空匹配：

import re

pattern = r'^(?:([^A-Z]+-))?|([^A-Z]*[A-Z])|(?:(-[^A-Z]+))$'
# 过滤掉空串和None，再调整首尾空串的位置
def split_with_re(seq):
    matches = [m for m in re.findall(pattern, seq) if any(m)]
    result = []
    # 处理前缀
    result.append(matches[0][0] if matches[0][0] else '')
    # 处理中间段
    for m in matches[1:-1]:
        result.append(m[1])
    # 处理后缀
    result.append(matches[-1][2] if matches[-1][2] else '')
    return result

# 测试用例
print(split_with_re("foo-ABcmCD-bar"))  # 输出: ['foo-', 'A', 'B', 'cmC', 'D', '-bar']
print(split_with_re("DEF"))             # 输出: ['', 'D', 'E', 'F', '']
print(split_with_re("foo-ABC-bar"))     # 输出: ['foo-', 'A', 'B', 'C', '-bar']

对比下来，方案1的代码可读性更高，后续修改规则也更方便。

内容的提问来源于stack exchange，提问作者Lutz