如何在Python中用正则表达式提取字符串中的ID和DIRECTION字段？

需求说明 #

• 从查询字符串中提取ID和DIRECTION两个字段：
  • DIRECTION的值仅能是1或2；
  • ID可以是文件系统允许的任意字符串（如字母数字、-、_、.）。
• 计划实现的函数框架如下：

def extract_fields(query: str, naming_scheme: str):
    # 实现代码
    return (ID, DIRECTION)

测试示例 #

命名规则1

naming_scheme_1 = "[ID]_R[DIRECTION].fastq.gz"
# 测试用例1
ID, DIRECTION = extract_fields("Kuwait_110_S59_R1.fastq.gz", naming_scheme_1)
# 预期结果：ID = "Kuwait_110_S59"，DIRECTION = "1"
# 测试用例2
ID, DIRECTION = extract_fields("Kuwait_110_S59_R2.fastq.gz", naming_scheme_1)
# 预期结果：ID = "Kuwait_110_S59"，DIRECTION = "2"

命名规则2

naming_scheme_2 = "[ID]_R[DIRECTION]_001.fastq.gz"
# 测试用例1
ID, DIRECTION = extract_fields("Kuwait_110_S59_R1_001.fastq.gz", naming_scheme_2)
# 预期结果：ID = "Kuwait_110_S59"，DIRECTION = "1"
# 测试用例2
ID, DIRECTION = extract_fields("Kuwait_110_S59_R2_001.fastq.gz", naming_scheme_2)
# 预期结果：ID = "Kuwait_110_S59"，DIRECTION = "2"

命名规则3

naming_scheme_3 = "barcode-[ID]_[DIRECTION].fq"
# 测试用例1
ID, DIRECTION = extract_fields("barcode-Kuwait_110_S59_1.fq", naming_scheme_3)
# 预期结果：ID = "Kuwait_110_S59"，DIRECTION = "1"
# 测试用例2
ID, DIRECTION = extract_fields("barcode-Kuwait_110_S59_2.fq", naming_scheme_3)
# 预期结果：ID = "Kuwait_110_S59"，DIRECTION = "2"

当前问题 #

之前尝试用多次字符串拆分的方式实现，但效果不佳，希望用正则表达式完成该需求。

解决方案 #

核心思路是把自定义的命名规则转换成正则表达式，将[ID]和[DIRECTION]替换为对应的捕获组，同时转义命名规则中的正则特殊字符（如.）。

实现代码如下：

import re

def extract_fields(query: str, naming_scheme: str):
    # 用临时占位符替换[ID]和[DIRECTION]，避免转义正则特殊字符时被误处理
    temp_scheme = naming_scheme.replace("[ID]", "__ID_PLACEHOLDER__")
    temp_scheme = temp_scheme.replace("[DIRECTION]", "__DIR_PLACEHOLDER__")
    # 转义命名规则中的正则特殊字符
    escaped_scheme = re.escape(temp_scheme)
    # 替换回对应的正则捕获组
    regex_pattern = escaped_scheme.replace("__ID_PLACEHOLDER__", "(?P<ID>[\\w\\-.]+)")
    regex_pattern = regex_pattern.replace("__DIR_PLACEHOLDER__", "(?P<DIRECTION>[12])")
    # 加上首尾锚点，确保查询字符串完全匹配命名规则
    regex_pattern = f"^{regex_pattern}$"
    
    match = re.match(regex_pattern, query)
    if not match:
        raise ValueError(f"查询字符串 {query} 不符合命名规则 {naming_scheme}")
    
    return (match.group("ID"), match.group("DIRECTION"))

验证测试 #

运行以下代码验证效果：

# 测试命名规则1
naming_scheme_1 = "[ID]_R[DIRECTION].fastq.gz"
print(extract_fields("Kuwait_110_S59_R1.fastq.gz", naming_scheme_1))  # 输出: ('Kuwait_110_S59', '1')
print(extract_fields("Kuwait_110_S59_R2.fastq.gz", naming_scheme_1))  # 输出: ('Kuwait_110_S59', '2')

# 测试命名规则2
naming_scheme_2 = "[ID]_R[DIRECTION]_001.fastq.gz"
print(extract_fields("Kuwait_110_S59_R1_001.fastq.gz", naming_scheme_2))  # 输出: ('Kuwait_110_S59', '1')
print(extract_fields("Kuwait_110_S59_R2_001.fastq.gz", naming_scheme_2))  # 输出: ('Kuwait_110_S59', '2')

# 测试命名规则3
naming_scheme_3 = "barcode-[ID]_[DIRECTION].fq"
print(extract_fields("barcode-Kuwait_110_S59_1.fq", naming_scheme_3))  # 输出: ('Kuwait_110_S59', '1')
print(extract_fields("barcode-Kuwait_110_S59_2.fq", naming_scheme_3))  # 输出: ('Kuwait_110_S59', '2')

代码说明 #

1. 临时占位符替换：先把[ID]和[DIRECTION]换成临时字符串，避免在转义正则特殊字符时被误处理；
2. 正则转义：用re.escape()转义命名规则中的特殊字符（比如.会被转义成\.，确保匹配实际的点号）；
3. 捕获组定义：
   • (?P<ID>[\\w\\-.]+)：匹配ID允许的所有字符（字母数字、下划线、连字符、点号）；
   • (?P<DIRECTION>[12])：仅匹配1或2；
4. 完全匹配校验：给正则表达式加上^和$，确保查询字符串完全符合命名规则，避免部分匹配导致的错误。

内容的提问来源于stack exchange，提问作者O.rka