如何让Python re.findall从左到右查找重叠匹配？

你的问题根源在于：

• 原始正则[ACGT]{4,}ATGT采用贪婪匹配逻辑，会优先捕获最长的符合条件的子串，导致较短的目标匹配被忽略；
• 单纯用正向预查(?=([ACGT]{4,}ATGT))会捕获所有可能的重叠子串（包括从中间字符起始的无效匹配），不符合你的预期范围。

要精准得到你需要的两个结果，可以分两步处理：

步骤1：提取连续ACGT序列 #

先把原始字符串中所有由ACGT组成的连续片段提取出来，跳过N这类非目标字符。

步骤2：筛选符合要求的子串 #

对每个连续ACGT片段，找出所有以ATGT结尾的位置，筛选出从片段起始到该位置长度≥8的子串。

对应的Python代码：

import re

seq = 'ACCCTNGGATGTGGGGGGATGTCCCCCATGTGCTCG'

# 提取所有连续的ACGT序列
acgt_blocks = re.findall('[ACGT]+', seq)

matches = []
for block in acgt_blocks:
    # 找到所有ATGT的结束索引
    atgt_ends = [match.end() for match in re.finditer('ATGT', block)]
    for end_pos in atgt_ends:
        # 子串长度需至少为8
        if end_pos >= 8:
            matches.append(block[:end_pos])

# 去重并保持顺序（避免重复匹配）
matches = list(dict.fromkeys(matches))

for match in matches:
    print(match)

运行后会输出预期结果：

GGATGTGGGGGGATGT
GGATGTGGGGGGATGTCCCCCATGT

补充说明 #

如果想用单正则尝试实现，可结合边界限制确保匹配从连续ACGT序列的起始点开始，但这种方式仍会受贪婪匹配影响，只能得到最长的子串，不如分两步处理灵活直观。

内容的提问来源于stack exchange，提问作者Xiaokang