如何用Python提取文本中以up:开头的指定内容？

问题描述 #

给定如下格式的字符串：

raw_str = 'hsa:578\tup:Q16611\nhsa:578\tup:A0A0S2Z391\nhsa:9373\tup:Q9Y263\nhsa:9344\tup:Q9UL54\nhsa:5894\tup:P04049\nhsa:5894\tup:L7RRS6\nhsa:673\tup:P15056\n'

需要提取所有以up:开头的子串，最终得到包含这些子串的列表。

实现方法 #

方法1：逐行分割+遍历筛选 #

先按换行符切割字符串得到每行内容，再逐行按制表符拆分，筛选出以up:开头的部分：

raw_str = 'hsa:578\tup:Q16611\nhsa:578\tup:A0A0S2Z391\nhsa:9373\tup:Q9Y263\nhsa:9344\tup:Q9UL54\nhsa:5894\tup:P04049\nhsa:5894\tup:L7RRS6\nhsa:673\tup:P15056\n'

# 分割行并过滤空行
lines = [line.strip() for line in raw_str.split('\n') if line.strip()]

up_items = []
for line in lines:
    parts = line.split('\t')
    for part in parts:
        if part.startswith('up:'):
            up_items.append(part)

# 打印结果
for item in up_items:
    print(item)

方法2：列表推导式简化写法 #

把上述逻辑用列表推导式压缩，代码更简洁：

raw_str = 'hsa:578\tup:Q16611\nhsa:578\tup:A0A0S2Z391\nhsa:9373\tup:Q9Y263\nhsa:9344\tup:Q9UL54\nhsa:5894\tup:P04049\nhsa:5894\tup:L7RRS6\nhsa:673\tup:P15056\n'

up_items = [
    part 
    for line in raw_str.split('\n') 
    if line.strip() 
    for part in line.split('\t') 
    if part.startswith('up:')
]

# 输出结果
for item in up_items:
    print(item)

方法3：正则表达式匹配 #

利用正则表达式直接匹配所有符合up:开头的子串，适合复杂格式场景：

import re

raw_str = 'hsa:578\tup:Q16611\nhsa:578\tup:A0A0S2Z391\nhsa:9373\tup:Q9Y263\nhsa:9344\tup:Q9UL54\nhsa:5894\tup:P04049\nhsa:5894\tup:L7RRS6\nhsa:673\tup:P15056\n'

# 匹配所有以up:开头，直到遇到制表符或换行符的内容
up_items = re.findall(r'up:[^\t\n]+', raw_str)

# 输出结果
for item in up_items:
    print(item)

以上三种方法都能得到如下结果：

• up:Q16611
• up:A0A0S2Z391
• up:Q9Y263
• up:Q9UL54
• up:P04049
• up:L7RRS6
• up:P15056

内容的提问来源于stack exchange，提问作者Recep Durgut